南方医科大学学报

作者：渠梦, 傅蓉

单位：南方医科大学生物医学工程学院，广东 广州 510515

关键词：心电信号分类,深度学习,残差网络,长短期记忆网络,压缩激励模块,ResLSTM-TemporalSE,

基金：国家重点研发计划项目“柔性穿戴式医疗器械测试与评价装置开发”(2023YFC2414502);广州市重点研发计划农业和社会发展科技专题项目“基于知识图谱的自主AI判图心电检测技术与心电数据库的研发”(2023B03J1337)

目的 针对12导联心电信号（ECG）自动分类任务，提出一种高效的深度学习模型，以提高分类准确率。 方法 设计了一种新型的ResLSTM-TemporalSE网络模型。该模型采用多层残差长短期记忆网络（ResLSTM），在LSTM层间引入跨层跳跃连接，构建时序特征的残差学习路径，并在传统压缩-激励模块（SE）中引入时序注意力机制，增强通道表达能力的同时捕捉ECG信号的时间依赖性，构建一个高效的多层次特征表达框架。该模型在CPSC2018数据集和南方医科大学第七附属医院私有数据集进行验证。 结果 模型在CPSC2018测试集上分类准确率达到99.70%，精确度、召回率和F1值分别为0.9966、0.9370和0.9653，在临床私有数据集上分类准确率达到82.77%，精确度、召回率和F1值分别为0.6811、0.8961和0.7723。通过消融实验验证残差连接与时序注意力模块对模型性能的贡献。 结论 ResLSTM-TemporalSE模型能够有效融合ECG信号的时空特征，在CPSC2018数据集上表现出卓越的分类性能，同时在真实临床环境中保持较强的泛化能力，为心电信号的自动分析提供了可靠的技术方案，具有潜在的临床应用价值。

来源：2025年第12期

《南方医科大学学报》期刊编辑部

查看南方医科大学学报杂志2025年第12期