基于双向选择性状态空间模型的心电自动诊断模型

摘要

针对现有心电自动诊断模型在长时依赖性学习上存在的局限性，提出一种结合双向选择性状态空间模型（BiMamba）与残差多尺度感受野模块的12导联长时心电信号自动诊断模型（BiMamba-RMSF）。首先，设计具有残差连接的多尺度感受野模块实现更广泛的特征提取与融合；其次，引入BiMamba模块通过正向和反向的时序处理方式，提高模型的时序建模能力；最后，分类器对来自BiMamba的特征进行处理实现心电多标签分类任务。从PTB-XL数据集上提取5个主诊断类别的数据，进行五折交叉验证实验。对比实验结果显示，BiMamba-RMSF的平均准确率达到89.42%，平均AUC达到93.56%，平均F1分数达到72.85%，各指标均高于其他4个对比心电自动诊断模型，且通过消融实验进一步验证BiMamba模块的有效性。实验结果表明本文模型在12导联长时心电信号多标签分类任务上具有较高精度。

关键词

心电信号 / 心电自动诊断模型 / 选择性状态空间模型 / 深度学习