HARDC：一种基于分层注意力双结构 RNN 与膨胀 CNN 的 ECG 心律失常检测新方法
信号处理
2023-07-14 v1 人工智能
机器学习
摘要
本文提出了一种用于心律失常分类的基于分层注意力的膨胀 CNN 与双向循环神经网络混合新方法（HARDC）。该方法解决了传统膨胀卷积神经网络（CNN）模型忽略上下文相关性及梯度弥散的问题。所提 HARDC 充分利用膨胀 CNN 与双向循环神经网络单元（BiGRU-BiLSTM）架构来生成融合特征。由于结合了局部与全局特征信息以及注意力机制，模型的预测性能得以提升。通过将融合特征与膨胀 CNN 及分层注意力机制结合，训练后的 HARDC 模型在 PhysioNet 2017 挑战赛数据集上展现出显著改善的分类结果与特征提取可解释性。原始数据经顺序 Z-Score 归一化、滤波、去噪和分割以备分析，随后使用 CGAN（条件生成对抗网络）从处理后的数据生成合成信号。实验结果表明，所提 HARDC 模型显著优于其他现有模型，在使用 MIT-BIH 生成的 ECG 时准确率达 99.60%、F1 分数 98.21%、精确率 97.66%、召回率 99.60%。此外，与常规卷积相比，该方法在使用膨胀 CNN 时大幅减少了运行时间。总体而言，该混合模型展示了一种用于 ECG 信号压缩与高性能 ECG 识别的创新且经济高效的策略。我们的结果表明，一种自动化且高计算量的多类心律失常信号分类方法具有可观前景。
引用
@article{arxiv.2303.06020,
title = {HARDC : A novel ECG-based heartbeat classification method to detect arrhythmia using hierarchical attention based dual structured RNN with dilated CNN},
author = {Md Shofiqul Islam and Khondokar Fida Hasan and Sunjida Sultana and Shahadat Uddin and Pietro Lio and Julian M. W. Quinn and Mohammad Ali Moni},
journal= {arXiv preprint arXiv:2303.06020},
year = {2023}
}
备注
23 pages