一种用于标准和可穿戴ECG多类别心律失常分类的轻量级CNN-注意力-BiLSTM架构
机器学习
2025-11-13 v1
摘要
及早且准确地检测心律失常对于及时诊断和干预至关重要。我们提出一种轻量级深度学习模型，将1D卷积神经网络(CNN)、注意力机制和双向长短期记忆(BiLSTM)用于对12导联和单导联ECG进行心律失常分类。该模型在CPSC 2018数据集上进行评估，通过类别加权损失解决类别不平衡问题，准确率和F1分数均优于基线模型。该模型仅包含0.945百万参数，非常适合部署在可穿戴健康监测系统中进行实时处理。
引用
@article{arxiv.2511.08650,
title = {A Lightweight CNN-Attention-BiLSTM Architecture for Multi-Class Arrhythmia Classification on Standard and Wearable ECGs},
author = {Vamsikrishna Thota and Hardik Prajapati and Yuvraj Joshi and Shubhangi Rathi},
journal= {arXiv preprint arXiv:2511.08650},
year = {2025}
}