基于多特征分支卷积神经网络的心电图分类算法

摘要

我国心血管疾病发病率、病死率呈逐年上升趋势。但由于心电图数据规模大且繁杂，临床医护人员在心电图筛查时，工作负担大且容易出现误诊或者漏诊的情况。基于此，利用CPSC-2018 12导联数据，提出了一种基于多特征分支卷积神经网络的多导联心电信号的智能分类与分析。首先，将CPSC-2018 12导联数据分为9个类别，基于12导联推导出8导联心电信号并分别提取局部特征。然后，通过双向GRU编码和注意力机制计算出不同类别的注意力权重向量，并将特征信息串联融合成特征向量，从而实现多导联心电图分类。实验结果表明：在验证集上取得了较好的分类效果，正常类别的F1值达到81.2%，平均F1值达到84.2%。特别地，在识别房颤（AF）和右束支传导阻滞（RBBB）这两类别心律失常时F1值分别达到95.1%和93.1%。

关键词

心律失常 / 心电图 / 卷积神经网络 / GRU网络 / 注意力机制