一种改进U-Net网络的心电图分类算法研究

摘要

基于CPSC-2018十二导联数据，提出了一种U-Net网络和注意力机制结合的心电图分类算法。首先，针对数据集数据长度长短不一的问题，对数据进行等长处理和归一化处理。然后，利用U-Net网络中跳层连接和编码解码方式，对预处理后较长的数据进行处理。在U-Net网络解码的最后一层加入注意力机制对抗噪声，提升模型的有效信息关注度和准确性。最后，利用CPSC-2018数据集进行验证。实验结果表明：所提模型能够取得较好的分类效果，识别房颤(AF)和右束支传导阻滞(RBBB)心律失常的精准率、召回率、F1值都可以达到90%以上，平均F1值可以达到82.5%。

关键词

心律失常 / 心电图 / U-Net网络 / 注意力机制