基于注意力机制的可解释心律失常分类模型

来源：计算机技术与发展杂志2022年第09期北京时间：

作者：罗望成;杨湘;陈艳红

单位：1. 武汉科技大学 计算机科学与技术学院,湖北 武汉 4300652. 武汉亚洲心脏病医院,湖北 武汉 430022

摘要：心律失常是心血管疾病中常见的临床表现形式,实现心律失常的自动分类在医学领域具有重要意义。 在实际临床中,医生除了提供诊断结果,还要有详细的解释来支持自己的诊断,但是现有的大多数机器学习模型都忽略了结果的可解释性。 同时,之前大部分研究致力于宏观分类,实际临床意义不大。 为了解决这些问题,提出了一种可解释的基于注意力的混合深度学习模型( IAHM) 。 IAHM 通过分别提取心拍级别和心律级别的注意力特征,将医学知识和心电数据相结合,使学习的模型具有高度的可解释性。 实验在公开数据库 MIT-BIH 上进行,对五种心律失常分类以弥补宏观分类的短板。 IAHM 在准确率、特异性、敏感性和阳性预测值分别达到 94. 65% 、98. 69% 、92. 69% 和 92. 60% ,有助于临床医生对心律失常进行准确分类。

关键词：心律失常分类;注意力机制;卷积神经网络;可解释性;长短期记忆网络