结合CNN与双向LSTM的心律失常分类

来源：计算机科学与探索杂志2021年第12期北京时间：

作者：李兴秀, 唐建军, 华晶

单位：1. 江西农业大学 计算机与信息工程学院，南昌 330045 2. 江西农业大学 软件学院，南昌 330045

摘要：心律失常是心血管疾病中常见的病症之一，实现心律失常的自动分类对心血管疾病的诊治具有重要意义。基于一维心电信号的心律失常分类方法以若干节拍作为输入，通过模型提取特征并用于分类。针对现有方法预处理时间成本高以及未按医疗仪器促进协会（AAMI）标准分类等问题，提出了一种基于原始一维心电信号并按照AAMI推荐标准类别进行心律失常自动分类的方法。该方法首先利用卷积神经网络（CNN）学习心电信号的形态特征，之后通过双向长短期记忆网络（BLSTM）获取特征中的上下文依赖关系，最后借助softmax函数完成分类任务。方法采用mish函数作为激活函数，使得模型在训练中更为稳定。在公开数据库MIT-BIH上进行五折交叉验证，评估结果达到了99.11%的平均准确率，表明该模型可以有效地提取心电信号的特征，适用于监测系统中心律失常疾病的诊断。

关键词：心电信号,心律失常,卷积神经网络（CNN）,双向长短期记忆网络（BLSTM）