逐心拍：使用循环神经网络分类心律失常
机器学习
2020-12-14 v2 计算机视觉与模式识别
信号处理
摘要
每天有数以万计的心电图 (ECG) 记录由移动心脏事件记录仪处理，心律分类算法是持续监测高危患者的重要工具。我们利用一个包含 12,186 条单导联 ECG 记录的标注数据集，构建了一个多样化的循环神经网络 (RNNs) 集成模型，该模型能够区分正常窦性心律、心房颤动、其他类型的心律失常以及过于嘈杂而无法解释的信号。为了简化时间维度上的学习，我们引入了一种新颖的任务表述，利用 ECG 信号到心跳的自然分割，大幅减少每个序列的时间步数。此外，我们用注意力机制扩展了 RNNs，使我们能够推断 RNNs 重点关注哪些心跳以做出决策。通过使用注意力，我们的模型保持了高度的可解释性，同时在未见测试集 (n=3,658) 上实现了 0.79 的平均 F1 分数，达到了最先进的分类性能。
引用
@article{arxiv.1710.06319,
title = {Beat by Beat: Classifying Cardiac Arrhythmias with Recurrent Neural Networks},
author = {Patrick Schwab and Gaetano Scebba and Jia Zhang and Marco Delai and Walter Karlen},
journal= {arXiv preprint arXiv:1710.06319},
year = {2020}
}
备注
Accepted at Computing in Cardiology (CinC) 2017