具有注意力机制的局部-全局时间融合网络用于多类与多分类心律失常分类
信号处理
2023-10-16 v2 机器学习
摘要
临床决策支持系统（CDSSs）已被广泛用于支持心脏病专家从心电图（ECGs）中检测和分类心律失常的决策。然而，由于心律失常时长不一，构建用于心律失常分类任务的 CDSS 颇具挑战。尽管心律失常的发作时间各异，先前开发的方法并未考虑此类情况。因此，我们提出了一种框架，包含（i）局部时间信息提取、（ii）全局模式提取以及（iii）带注意力的局部-全局信息融合，以在受限输入长度下执行心律失常检测与分类。我们分别基于 MIT-BIH 心律失常数据库（MITDB）和 MIT-BIH 心房颤动数据库（AFDB），通过以发作片段检测心律失常的起止时刻以及基于心律失常持续时间，评估了我们所提方法的 10 类与 4 类性能。结果在统计上优于对比模型。为检验所提方法的泛化能力，将在 AFDB 上训练的模型于 MITDB 上进行测试，取得了优于最先进模型的性能。所提方法能够捕获局部-全局信息与动态特征而不造成信息损失。因此，可更准确地识别心律失常并计算其发生时间；从而临床领域可利用所提方法制定更精确的治疗方案。
引用
@article{arxiv.2308.02416,
title = {Local-Global Temporal Fusion Network with an Attention Mechanism for Multiple and Multiclass Arrhythmia Classification},
author = {Yun Kwan Kim and Minji Lee and Kunwook Jo and Hee Seok Song and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2308.02416},
year = {2023}
}
备注
14 pages, 6 figures