基于残差-注意力和LSTM的心律失常心拍分类方法研究
Journal of Chengdu University Of Information Technology(2022)
摘要
长时心电图是长时间连续记录心电状态的一种心电图,心律失常在心电图上的表现为心拍频率不规则或者波形异常,故高效精准地从长时心电图中识别心律失常具有重要的临床意义.针对从长时心电图中识别不同心律失常类型的问题,提出基于注意力机制的残差和LSTM网络的心律失常心拍分类模型.首先利用小波变换对原始长时心电信号进行滤波处理,然后利用QRS波检测算法对R波波峰进行定位,并以R波波峰为基准将原始信号切分成心拍图,最后放入Residual-Attention和LSTM网络进行特征提取并实现分类.提出的模型对正常心拍、室性早搏心拍及室上性早搏心拍的三分类准确率为96.09%,比传统的CNN网络模型提高了3.26%;三类心拍的F1值分别提高了2.04%、2.56%和5.30%.对比实验表明,提出的基于Residual-Attention和LSTM的心律失常心拍分类模型,相比传统的CNN模型有着更好的分类准确率和F1值.
更多AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要