基于CNN和BiGRU-Attention模型的心律异常判别研究

◆丁娜娜 张龙波 吴志勇

基于CNN和BiGRU-Attention模型的心律异常判别研究

◆丁娜娜 张龙波通讯作者吴志勇

（山东理工大学（淄博）计算机科学与技术学院 山东 255049）

心脏病是导致人类死亡的主因，多数心血管疾病发生时，常伴有心律失常现象的出现。为实现心律失常的自动判别，研究并提出一种卷积神经网络（Convolutional Neural Network，CNN）和基于注意力机制（Attention）的双向门控循环单元神经网络（Bidirectional Gated Recurrent Unit Neural Network，BiGRU）结合的心律异常判别方法。该方法首先采用1维CNN自动提取心电信号特征；其次将CNN提取出的特征输入到BiGRU-Attention网络中进行学习；最后，使用softmax函数进行分类。实验结果表明，该方法的总体准确率为99.53%，N、S、V和F四类心跳的灵敏度分别为99.80%、96.35%、98.23%，92.01%，阳性预测值分别为99.74%、96.87%、99.24%、90.37%，证明该方法具有良好的性能。

心电信号；心律失常；卷积神经网络；注意力机制；BiGRU-Attention网络

世界卫生组织的统计数据显示，心血管疾病已经成为居民死亡的头号杀手，每年有超过1770万的人死于心血管疾病[1]。心血管疾病发生时经常伴有心律失常的出现，心律失常是威胁人类生命健康的一类重大疾病。实现心律失常的自动分类具有非常重要的现实意义，它能够使人及时发现心脏疾病并加以诊断，有效的保护心脏健康。

心电信号预处理、特征提取和分类是实现心电信号自动分类的三个阶段。心电信号的预处理主要包括去噪和分段，有利于提高自动分类的准确率。特征提取，即提取心电信号的时域特征、频域特征以及形态学特征等，例如提取其RR间期，心跳间隔，波宽等。……