多特征融合与压缩双向LSTM用于可穿戴设备上的内存高效心跳分类
机器学习
2024-12-16 v2
摘要
在本文中，我们提出了一种资源高效的心电图（ECG）心跳分类方法，采用多特征融合和双向长短期记忆网络（Bi-LSTM）。数据集包含来自MIT-BIH心律失常数据库的五种原始类别：正常（N）、左束支传导阻滞（LBBB）、右束支传导阻滞（RBBB）、室性早搏（PVC）和起搏心跳（PB）。预处理方法包括离散小波变换和双移动平均窗口，用于减少原始ECG信号中的噪声和伪影，并提取ECG波形的主要点（PQRST）。通过利用时间间隔和提出的曲线下面积（这些特征本身对噪声具有鲁棒性）作为输入特征，实现了多特征融合。仿真表明，引入曲线下面积特征将具有挑战性的RBBB和LBBB类别的分类准确率分别从31.4%提高到84.3%（RBBB），以及从69.6%提高到87.0%（LBBB）。使用Bi-LSTM网络而非传统LSTM网络，在RBBB类别上获得了更高的准确率（33.8% vs 21.8%），同时所需网络参数减少了28%。开发了多种参数大小不同的神经网络模型，包括微型（84k）、小型（150k）、中型（478k）和大型（1.25M），以实现所有类别的高准确率，这比整体分类准确率更关键且更具挑战性。
引用
@article{arxiv.2405.15312,
title = {Multi-Feature Fusion and Compressed Bi-LSTM for Memory-Efficient Heartbeat Classification on Wearable Devices},
author = {Reza Nikandish and Jiayu He and Benyamin Haghi},
journal= {arXiv preprint arXiv:2405.15312},
year = {2024}
}