李興秀，唐建軍，華 晶

1.江西農(nóng)業(yè)大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，南昌 330045

2.江西農(nóng)業(yè)大學(xué) 軟件學(xué)院，南昌 330045

根據(jù)世界衛(wèi)生組織提供的數(shù)據(jù)表明，心血管疾病的死亡率占世界死亡率的1/3，而心律失常是心血管疾病中最常見的一種病癥，其表現(xiàn)為心臟功能的不規(guī)律，嚴(yán)重時(shí)甚至危及生命。因此，研究心律失常是診治該類心血管疾病患者的重要工作之一。目前，診斷心律失常的有力工具是心電信號(hào)分析。通過監(jiān)測(cè)患者的心電圖，醫(yī)務(wù)工作者可以識(shí)別出心律失常，然而這種通過人工視覺的檢測(cè)與解釋容易出錯(cuò)[1]。利用心電自動(dòng)分析技術(shù)可以在心臟活動(dòng)的實(shí)時(shí)監(jiān)測(cè)中及時(shí)檢測(cè)出異常心臟信息[2]，在早期檢測(cè)出心律失常能夠提高診斷效率并且節(jié)約人力與時(shí)間成本[3]。傳統(tǒng)的機(jī)器學(xué)習(xí)方法以特征為中心[4]，因此分類器的性能很大程度上取決于提取特征的質(zhì)量。近年來深度學(xué)習(xí)算法以其自動(dòng)學(xué)習(xí)特征的優(yōu)勢(shì)，被越來越多地應(yīng)用于醫(yī)療保健領(lǐng)域，如醫(yī)學(xué)影像的識(shí)別與分割、時(shí)間序列數(shù)據(jù)的監(jiān)測(cè)與分析等?；谏疃葘W(xué)習(xí)的心律失常分類技術(shù)可以自動(dòng)提取心電信號(hào)的低層和高層特征，以端到端的方式將輸入的心電信號(hào)自動(dòng)映射為心律失常的某個(gè)類型，避免了分類子過程之間的相互依賴（如QRS 復(fù)合波的提?。5]?，F(xiàn)有的心電信號(hào)分類方法通常包含小波變換等預(yù)處理步驟，但是其計(jì)算量會(huì)增加實(shí)時(shí)分類系統(tǒng)的時(shí)延。此外，部分方法未按照美國(guó)醫(yī)療儀器促進(jìn)協(xié)會(huì)（Association for the Advancement of Medical Instrumentation，AAMI）標(biāo)準(zhǔn)[6]進(jìn)行分類。然而AAMI 標(biāo)準(zhǔn)包含了對(duì)自動(dòng)心律失常分類方法的測(cè)試和評(píng)估方案，使得相關(guān)研究具有可比性。針對(duì)上述問題，本文提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（bidirectional long short-term memory，BLSTM）的分類方法。該方法不需要濾波處理和手工特征提取過程。提出的模型首先使用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)心電信號(hào)的形態(tài)特征，獲取信號(hào)的顯著信息，然后利用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)獲取特征中的上下文依賴關(guān)系；最后通過softmax函數(shù)實(shí)現(xiàn)AAMI 標(biāo)準(zhǔn)的五種心律失常類別的分類。方法采用mish 函數(shù)作為激活函數(shù)，使得模型在訓(xùn)練過程中更為穩(wěn)定。在MIT-BIH 心律失常數(shù)據(jù)庫進(jìn)行五折交叉驗(yàn)證，該方法獲得了99.11%的平均準(zhǔn)確率，驗(yàn)證了模型的有效性。

1 相關(guān)工作

心律失常的自動(dòng)分類方法分為傳統(tǒng)的機(jī)器學(xué)習(xí)方法[2,7-10]和基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法[3,11-17]，這些方法主要包括信號(hào)預(yù)處理、特征提取以及分類三個(gè)步驟。傳統(tǒng)的機(jī)器學(xué)習(xí)方法通常需要提供手工制作的特征，然而特征的選擇或組合不僅需要專業(yè)知識(shí)且其過程是耗時(shí)的[18]。隨著深度學(xué)習(xí)理論與研究的發(fā)展，研究者們逐漸傾向使用深度學(xué)習(xí)算法從數(shù)據(jù)中自動(dòng)提取感興趣的特征。根據(jù)網(wǎng)絡(luò)輸入的維度，可將深度學(xué)習(xí)分類方法分為基于一維心電信號(hào)的分類和二維心電圖像的分類。

目前，基于一維信號(hào)的深度學(xué)習(xí)算法是心律失常分類任務(wù)的研究熱點(diǎn)，例如Kiranyaz 等人[11]針對(duì)特定患者的心電圖開發(fā)了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的分類算法，然而該算法對(duì)SVEB 類型的心律失常分類靈敏度較低。Rajpurkar 等人[12]提出了一個(gè)34 層殘差卷積神經(jīng)網(wǎng)絡(luò)算法，可從單導(dǎo)聯(lián)可穿戴設(shè)備記錄的心電信號(hào)中檢測(cè)到心律失常信息。長(zhǎng)短期記憶網(wǎng)絡(luò)擅長(zhǎng)獲取時(shí)間序列信息，Yildirim[13]將信號(hào)分解成小波序列，然后輸入到深度雙向長(zhǎng)短期記憶模型中進(jìn)行分類，在無噪聲環(huán)境下實(shí)現(xiàn)了99.39%的識(shí)別性能，但是其訓(xùn)練時(shí)間成本高且分類沒有按照AAMI的標(biāo)準(zhǔn)進(jìn)行。針對(duì)此問題，Saadatnejad 等人[14]提出了一種小波變換和長(zhǎng)短期記憶網(wǎng)絡(luò)來自動(dòng)提取特征的輕量級(jí)分類方法，滿足可穿戴設(shè)備上的連續(xù)實(shí)時(shí)分類要求。Feng 等人[15]提出了基于16 層卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)的多通道分類算法，在PTB 數(shù)據(jù)庫中的心肌梗死分類準(zhǔn)確率達(dá)到了95.4%。

基于二維心電圖像的深度學(xué)習(xí)方法中，文獻(xiàn)[16]將心電信號(hào)中的三個(gè)相鄰心跳轉(zhuǎn)化為二維耦合矩陣，其整合了信號(hào)的形態(tài)信息和節(jié)拍之間的相關(guān)性；Jun 等人[17]將每個(gè)心跳轉(zhuǎn)換成二維灰度圖像，之后將此作為二維卷積神經(jīng)網(wǎng)絡(luò)模型的輸入。然而基于二維的方法需要將一維信號(hào)轉(zhuǎn)換成二維信息，不僅增加了計(jì)算成本，而且存儲(chǔ)二維的信息會(huì)占用更多的硬盤空間。總之，現(xiàn)有的很多方法要么沒有按照AAMI標(biāo)準(zhǔn)進(jìn)行分類[3,13,15,19]，要么預(yù)處理過程復(fù)雜[20-21]，要么時(shí)間成本高[13,16-17]?；诖?，本文提出了一維卷積神經(jīng)網(wǎng)絡(luò)和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)組合而成的混合模型（CNN-BLSTM），該模型利用了卷積神經(jīng)網(wǎng)絡(luò)具有噪聲魯棒性和長(zhǎng)短期記憶網(wǎng)絡(luò)在時(shí)間序列數(shù)據(jù)上的優(yōu)勢(shì)，探索其在未經(jīng)過任何濾波處理的數(shù)據(jù)上基于AAMI推薦的五種心電類別分類研究。

2 CNN-BLSTM 分類方法

2.1 數(shù)據(jù)預(yù)處理及表示

現(xiàn)有的心律失常分類研究中，預(yù)處理過程通常包含小波變換或?yàn)V波器組等濾波操作來得到干凈的心電數(shù)據(jù)。為盡可能保留心電信號(hào)的原始特征以增強(qiáng)模型的泛化能力，本文在信號(hào)預(yù)處理過程中未進(jìn)行任何濾波操作或特征提取步驟，而是直接將原始信號(hào)分割成固定長(zhǎng)度的節(jié)拍。原始心電信號(hào)首先通過mapminmax 函數(shù)歸一化到[0,1]之間，然后根據(jù)MIT-BIH 心律失常數(shù)據(jù)庫中注釋的R 峰值位置，按文獻(xiàn)[22]方法將信號(hào)分割成節(jié)拍，并給每個(gè)節(jié)拍注釋對(duì)應(yīng)的標(biāo)簽。為保證輸入形狀一致，將處理得到的每個(gè)節(jié)拍統(tǒng)一到長(zhǎng)度為256 個(gè)采樣點(diǎn)的數(shù)據(jù)段。

將經(jīng)過預(yù)處理之后的節(jié)拍X=[x1,x2,…,xn]作為網(wǎng)絡(luò)的輸入，其中n為256。輸入X對(duì)應(yīng)的標(biāo)簽y∈{N,S,V,F,Q}。

2.2 CNN-BLSTM 網(wǎng)絡(luò)模型

CNN-BLSTM 由卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)兩個(gè)模塊組成，其中卷積神經(jīng)網(wǎng)絡(luò)的卷積層和池化層能夠提取輸入的底層特征[23]，長(zhǎng)短期記憶網(wǎng)絡(luò)能夠捕獲輸入和目標(biāo)之間復(fù)雜的、時(shí)間上的上下文依賴關(guān)系[24]，適用于心電信號(hào)分類等任務(wù)。圖1 和表1分別給出了本文提出的CNN-BLSTM 結(jié)構(gòu)和對(duì)應(yīng)的詳細(xì)參數(shù)。網(wǎng)絡(luò)總參數(shù)量約為4.7×105，運(yùn)算復(fù)雜度約為6.95×10-4GFLOPs。

Fig.1 Structure of CNN-BLSTM圖1 CNN-BLSTM 結(jié)構(gòu)

Table 1 Parameters and details of CNN-BLSTM structure表1 CNN-BLSTM 結(jié)構(gòu)的參數(shù)與細(xì)節(jié)

2.2.1 卷積神經(jīng)網(wǎng)絡(luò)模塊

卷積神經(jīng)網(wǎng)絡(luò)模塊由若干個(gè)卷積層、池化層以及其他操作組成，如圖1 所示。卷積層具有局部連通性和權(quán)重共享等特性，可用于提取一維心電信號(hào)的局部特征。一維卷積層的公式如下：

其中，wl、bl為l層的權(quán)重和偏置，m為卷積核大小。

批歸一化層[25]可以使數(shù)據(jù)分布均勻，加快網(wǎng)絡(luò)訓(xùn)練。激活層可以得到非線性的變換，提升模型擬合效果，因此在每個(gè)卷積層后面添加一個(gè)批歸一化層和激活層。就激活層而言，大部分研究所使用的是ReLU 激活函數(shù)（式（2）），根據(jù)其原理可知，ReLU 將負(fù)輸入都變?yōu)?，然而網(wǎng)絡(luò)處理過程中的數(shù)據(jù)存在負(fù)值，這會(huì)導(dǎo)致信息的丟失，故而本文中的激活層采用了一個(gè)自正則化的mish 激活函數(shù)[26]（式（3））。mish函數(shù)的曲線圖見圖2，從圖像易知mish 函數(shù)是一個(gè)非單調(diào)的平滑的曲線，保留了少量的負(fù)值即信息更完整，這使得網(wǎng)絡(luò)的性能和穩(wěn)定性更好。

為保留心電信號(hào)中的顯著信息同時(shí)降低網(wǎng)絡(luò)計(jì)算復(fù)雜度，在每個(gè)卷積塊后添加一個(gè)核大小為2，步長(zhǎng)為2 的最大池化層。此外，由于丟失層可以通過隨機(jī)丟棄部分信息來防止模型過度擬合，在最大池化層后加入一個(gè)丟失率為0.1 的丟失層。

Fig.2 Image of mish function and ReLU function圖2 mish 函數(shù)與ReLU 函數(shù)的圖像

2.2.2 雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模塊

基于長(zhǎng)短期記憶網(wǎng)絡(luò)在動(dòng)態(tài)數(shù)據(jù)上的優(yōu)勢(shì)，本文在卷積神經(jīng)網(wǎng)絡(luò)之后使用了雙向長(zhǎng)短期記憶網(wǎng)絡(luò)來獲取特征中的上下文依賴關(guān)系，網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。雙向長(zhǎng)短期記憶網(wǎng)絡(luò)包含一個(gè)前向LSTM 和反向LSTM 兩個(gè)網(wǎng)絡(luò)，每個(gè)網(wǎng)絡(luò)包含相同數(shù)量的LSTM單元，本文設(shè)置其數(shù)量為128。LSTM 單元由輸入門、輸出門和遺忘門組成，這些門能夠通過調(diào)節(jié)單元中的信息流來增加或刪除信息，因此單元可以獲取時(shí)間流中的信息。LSTM 單元的內(nèi)部結(jié)構(gòu)如圖4 所示。

計(jì)算公式如下：

其中，it、ft、ct、ot分別為輸入門、遺忘門、單元狀態(tài)和輸出門，ut為狀態(tài)更新，σ為sigmoid 激活函數(shù)。

Fig.3 Bidirectional LSTM network architecture圖3 雙向LSTM 網(wǎng)絡(luò)結(jié)構(gòu)圖

Fig.4 LSTM unit architecture圖4 LSTM 單元的內(nèi)部結(jié)構(gòu)

緊接著雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模塊之后是一個(gè)丟失率為0.2 的丟失層和神經(jīng)元數(shù)為64 的全連接層，最后通過softmax 函數(shù)實(shí)現(xiàn)AAMI 標(biāo)準(zhǔn)推薦的5 種心電信號(hào)類別的分類任務(wù)：

其中，P(Xi)為預(yù)測(cè)的Xi屬于所有可能類的概率分布。

2.3 參數(shù)設(shè)置

網(wǎng)絡(luò)訓(xùn)練的最大輪數(shù)為80 輪，批量大小為128。利用Adam 優(yōu)化函數(shù)更新權(quán)重，初始學(xué)習(xí)率為0.001，在后期為加快模型收斂，使用衰減比率為0.1 的學(xué)習(xí)率衰減法降低學(xué)習(xí)率。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)采用了MIT-BIH 心律失常數(shù)據(jù)庫，該數(shù)據(jù)庫從47 名受試者身上共獲得48 個(gè)雙通道動(dòng)態(tài)心電圖記錄，每個(gè)記錄的持續(xù)時(shí)間約為30 min，采樣頻率為360 Hz。根據(jù)AAMI標(biāo)準(zhǔn)建議，去除使用心臟起搏器收集的102、104、107 和217 這4 個(gè)心電記錄，將剩余44 條記錄分割后，按其類型劃分為N（正常搏動(dòng)）、S（室上異位搏動(dòng)）、V（心室異位搏動(dòng)）、F（融合搏動(dòng)）、Q（未知搏動(dòng)）五大類，獲得節(jié)拍總樣本數(shù)為100 588個(gè)，具體類別和數(shù)量見表2。

3.2 實(shí)驗(yàn)環(huán)境

本文在以Tensorflow 為后端的深度學(xué)習(xí)框架Keras 上進(jìn)行了模型的訓(xùn)練和測(cè)試實(shí)驗(yàn)，所有實(shí)驗(yàn)均在一臺(tái)處理器為Intel Core i5-10300H、顯卡為Nvidia GeForce RTX2060 的計(jì)算機(jī)上完成。

3.3 交叉驗(yàn)證

使用五折交叉驗(yàn)證策略來評(píng)估所提模型的穩(wěn)定性?？倶颖颈坏缺壤貏澐殖? 部分，依次抽取其中1 份用來測(cè)試，其余4 份用來訓(xùn)練，一共進(jìn)行了5 次。每一次均評(píng)估性能指標(biāo)（評(píng)估指標(biāo)見3.4 節(jié)），最后計(jì)算5 次記錄的所有評(píng)估指標(biāo)的平均值來獲得總體性能度量。

Table 2 Detailed classification of AAMI standards in ECG表2 AAMI標(biāo)準(zhǔn)在心電信號(hào)中的詳細(xì)分類

3.4 評(píng)估標(biāo)準(zhǔn)

為評(píng)估本文模型的有效性，同大多數(shù)方法一樣，使用準(zhǔn)確率（Acc）、靈敏度（Sen）、特異性（Spe）和陽性預(yù)測(cè)值（PPV）來評(píng)價(jià)模型的性能，各評(píng)價(jià)參數(shù)定義如下：

其中，TP（真陽性）表示正確分類的陽性樣本數(shù)；TN（真陰性）表示正確分類的陰性樣本數(shù)；FP（假陽性）表示陰性樣本被錯(cuò)誤分類為陽性樣本的數(shù)量；FN（假陰性）表示陽性樣本被錯(cuò)誤分類為陰性樣本的數(shù)量。

3.5 實(shí)驗(yàn)結(jié)果分析

使用MIT-BIH 數(shù)據(jù)集來訓(xùn)練和評(píng)估模型，經(jīng)過五折交叉驗(yàn)證后，計(jì)算各性能指標(biāo)的平均值作為最終各類別及總體的評(píng)估結(jié)果，實(shí)驗(yàn)結(jié)果見表3。由該表可知，本文方法在AAMI 推薦的5 種類別上的整體準(zhǔn)確率、靈敏度、特異性和陽性預(yù)測(cè)值分別為99.11%、92.33%、98.95%和95.46%。

Table 3 Evaluation results of model classified on test set表3 模型在測(cè)試集上分類的評(píng)估結(jié)果

圖5 給出了模型在測(cè)試集上分類的混淆矩陣，根據(jù)混淆矩陣可知，所提出的模型能夠正確識(shí)別大多數(shù)的心電節(jié)拍。由于F 類節(jié)拍和Q 類節(jié)拍樣本數(shù)量相對(duì)于其他3 類（N、S、V）較少，F(xiàn) 類與Q 類的評(píng)估結(jié)果較低。此外，S 類的靈敏度較低，原因是S 類中的AP 類起源于竇房結(jié)以外心房的任何部位，其表現(xiàn)為前P 波的缺失或出現(xiàn)異常的P 波，而其QRS 波群與N類中的RBBB 類波形相似，使得模型無法正確區(qū)分。盡管如此，本文方法在S 類和V 類這兩個(gè)重要的心律失常類別均實(shí)現(xiàn)了較好的分類性能。

Fig.5 Confusion matrix of model classified on test set圖5 模型在測(cè)試集上分類的混淆矩陣

3.6 與其他方法對(duì)比

本文模型與先進(jìn)方法[1,21,27-30]進(jìn)行了比較，如表4 所示，該表中研究的實(shí)驗(yàn)數(shù)據(jù)均采用MIT-BIH數(shù)據(jù)庫，實(shí)驗(yàn)結(jié)果來自對(duì)應(yīng)文獻(xiàn)[1,21,27-30]。Golrizkhatami 等人[1]首先利用CNN、小波變換和統(tǒng)計(jì)學(xué)方法來提取心電信號(hào)不同層次的特征，之后使用決策層融合這些特征信息以預(yù)測(cè)心電信號(hào)類別。文獻(xiàn)[21]首先使用db6 小波去除心電信號(hào)中的噪聲，之后進(jìn)行多組對(duì)比實(shí)驗(yàn)得出13 層的VGGNet 為最優(yōu)模型，其獲得了97.87%的總體準(zhǔn)確率。文獻(xiàn)[27]開發(fā)了一個(gè)9 層的卷積神經(jīng)網(wǎng)絡(luò)算法來識(shí)別5 種不同類型的心跳，在使用db6 去噪的數(shù)據(jù)集上的準(zhǔn)確率為94.03%。Hua 等人[28]提出了在原始心電數(shù)據(jù)中使用R-R-R 的分割策略，該分割策略能夠讓網(wǎng)絡(luò)模型更好地學(xué)習(xí)到心電信號(hào)的潛在信息，在一個(gè)平衡數(shù)據(jù)集上獲得了97.45%的平均準(zhǔn)確率和97.00%平均靈敏度。Bouny等人[29]將CNN 與小波變換相結(jié)合，同時(shí)提取心電信號(hào)和其小波子帶的判別特征，該方法達(dá)到了99.11%的總體準(zhǔn)確率。Li 等人[30]實(shí)現(xiàn)了一個(gè)并行的通用回歸神經(jīng)網(wǎng)絡(luò)（general regression neural network,GRNN）來對(duì)心跳進(jìn)行分類，該方法達(dá)到了95.00%的準(zhǔn)確率。本文模型在沒有擴(kuò)充或平衡數(shù)據(jù)集上的分類準(zhǔn)確率達(dá)到了99.11%，能夠在未去噪的心電數(shù)據(jù)中學(xué)習(xí)到重要信息，因此可以較好地用于有噪聲的心電數(shù)據(jù)分類任務(wù)中。

Table 4 Overall performance comparison of this method and other methods表4 本文方法與其他方法整體性能比較

由于SVEB 類（S 類）和VEB 類（V 類）的心電信號(hào)與正常信號(hào)存在的差異很小，許多分類器在識(shí)別這兩類時(shí)表現(xiàn)較差，這對(duì)于患者而言是危險(xiǎn)的。因此，正確識(shí)別出S 類和V 類的心律失常是分類器的一項(xiàng)重要任務(wù)。表5 給出了本文方法與其他研究對(duì)這兩類心律失常的識(shí)別能力。從表中可知，在靈敏度、特異性和陽性預(yù)測(cè)值評(píng)估指標(biāo)上，本文方法整體表現(xiàn)優(yōu)于其他工作，表明了模型的有效性和先進(jìn)性。

3.7 消融實(shí)驗(yàn)

為驗(yàn)證提出的模型和mish 激活函數(shù)的有效性，本文做了兩組消融實(shí)驗(yàn)：第一組為使用CNN-BLSTM、CNN-LSTM、CNN 和BLSTM 模型的消融實(shí)驗(yàn)；第二組為激活函數(shù)使用mish 和ReLU 的消融實(shí)驗(yàn)。

Table 5 Comparison of classification performance between this method and other methods on SVEB and VEB表5 本文方法與其他方法在SVEB 類和VEB 類上分類性能比較

消融實(shí)驗(yàn)結(jié)果見表6。模型的消融實(shí)驗(yàn)是基于CNN、LSTM 和BLSTM 模塊的有效組合展開的，其中CNN-BLSTM 首先通過卷積提取信號(hào)的形態(tài)特征，隨后使用雙向LSTM 獲得特征中的上下文依賴關(guān)系，獲得了最好的準(zhǔn)確率。CNN-BLSTM 組合模型相比于其他模型獲得了更好的靈敏度和特異性，降低了分類任務(wù)中的假陽性和假陰性錯(cuò)誤。相比ReLU 激活函數(shù)，使用mish 激活函數(shù)獲得了更好的分類性能，原因在于mish 激活函數(shù)保留了特征中少量的負(fù)值，有利于網(wǎng)絡(luò)學(xué)習(xí)到更加完整的信息。

Table 6 Comparison of classification performance of activation functions and models表6 激活函數(shù)和模型的分類性能比較

為驗(yàn)證本文模型的噪聲抗干擾能力，對(duì)MIT-BIH數(shù)據(jù)集進(jìn)行三種預(yù)處理方法，分別是未進(jìn)行任何濾波的原始信號(hào)、經(jīng)過db6 小波濾波數(shù)據(jù)以及經(jīng)過db8小波[31]濾波數(shù)據(jù)。對(duì)比實(shí)驗(yàn)數(shù)據(jù)僅存在是否經(jīng)過小波去噪的區(qū)別，其他處理過程以及模型訓(xùn)練和評(píng)估過程完全一致，實(shí)驗(yàn)結(jié)果見表7。由該表可知，模型對(duì)未去噪的分類性能與小波去噪后的結(jié)果相近，這表明模型能夠從未進(jìn)行濾波處理的信號(hào)中提取到重要特征，驗(yàn)證了本文提出的模型對(duì)噪聲具有魯棒性。

Table 7 Comparison of classification performance between original data and denoised data表7 原始心電數(shù)據(jù)與去噪后的數(shù)據(jù)分類性能比較

4 結(jié)束語

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)與雙向長(zhǎng)短期記憶網(wǎng)絡(luò)的組合模型，該模型可以根據(jù)原始心電信號(hào)的單個(gè)節(jié)拍學(xué)習(xí)到重要的形態(tài)特征及特征的上下文依賴關(guān)系，并按照AAMI 標(biāo)準(zhǔn)推薦類別進(jìn)行分類。在MIT-BIH 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該模型能夠有效提取一維信號(hào)的特征，并實(shí)現(xiàn)了高準(zhǔn)確率的分類?，F(xiàn)有的許多工作都是在一個(gè)不平衡的數(shù)據(jù)集上進(jìn)行研究，本文亦是如此。在未來的工作中，應(yīng)考慮擴(kuò)充數(shù)據(jù)，在一個(gè)較平衡的數(shù)據(jù)集上完成實(shí)驗(yàn)和評(píng)估，使模型能更好地完成心律失常分類任務(wù)。