南方医科大学学报

作者：甘 屹, 施俊丞, 高 丽, 何伟铭

单位：上海理工大学机械工程学院，图书馆，光电与计算机学院，上海 200093；日本中央大学理工学部精密工学科，日本 东京 112-0003

关键词：心律失常；并行分类；深度学习；网络模型,

目的 提出一种并行神经网络分类方法，以提高对正常搏动、室上性异位搏动、心室异位搏动、融合搏动4种心律失常的分类性能。方法 首先进行心电信号去噪、小尺度心拍和大尺度心拍的分割、数据增强等预处理；然后基于深度学习理论，应用密集连接卷积神经网络改善人工提取波形特征的局限性，并结合双向长短时记忆网络和高效通道注意力网络，以增强提取波形时序特征和重要特征的功能；接着采用并行网络结构，同时输入小尺度心拍和大尺度心拍的的波形特征，以提高心律失常分类的准确性；最后使用Softmax函数实现对心律失常的4分类任务。结果 利用MIT-BIH心律失常数据库和3组实验验证所提方法。多种并行网络模型分类性能对比实验和不同心拍输入方式下，各分类模型性能对比实验得出所提分类模型的总体准确率、平均灵敏度和平均特异性分别达到99.36%、96.08%、99.41%；并行网络分类模型收敛性能分析实验得出分类模型每次训练时间为41 s。结论 并行多网络分类方法在保持较高总体准确率的同时，平均灵敏度、平均特异性以及训练时间均有改善，该方法有望为心律失常临床诊断提供新的技术方案。

来源：2021年第9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2021年第9期