心电图信号双任务学习的时空级联神经网络及心律失常分类模型

摘要：

心律失常是常见的心血管疾病,目前临床软件对其识别的准确率不高,医师复核需要大量时间.针对以上问题,提出时空级联网络(CascadedNet)的心电图识别与心律失常分类模型.CascadedNet的双层级联结构提取心电图心搏形态特征并挖掘节律关联信息,实现异常心搏和异常节律的识别.引入端到端的心搏与节律识别双任务学习方法,使任务间共享特征表达式.CascadedNet在MIT-BIH心律失常数据集上的测试结果表明:CascadedNet比内部算法(支持向量机、朴素贝叶斯网络、梯度上升树和随机森林)的准确率高出19.7％以上;比长短时记忆网络和循环神经网络准确率高出5.23％;与单维卷积网络相比,CascadedNet的总体准确率相当,但召回率和精确度分别高出9.96％和7.94％,且网络复杂度比单维卷积网络更低,结构有更好的可解释性.

关键词：心律失常、ECG信号、级联网络、卷积模块、门控循环单元、双任务学习

所属期刊栏目：57

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;江门市博士后创新实践项目;中国博士后科学基金;姑苏卫生人才计划青年拔尖人才项目

在线出版日期：2021-06-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：318-326