基于深度学习和注意力机制的心电信号分类方法研究.pdfVIP

基于深度学习和注意力机制的心电信号分类方法研究 摘 要 近年来，深度学习已成为包括医疗健康领域在内的不同应用中的重要研究方法，尤 其在心电信号异常检测中，其作用更加凸显。然而，现有的基于深度学习的心电信号分 类模型存在网络模型深度大和过拟合的问题，且分类模型的准确率有待提高。为此，本 研究结合深度学习，通过引入不同形式的注意力机制进行优化，对心电信号分类方法展 开研究，并利用 MIT-BIH 数据集对其分别进行训练和验证。本文主要研究内容如下： ）心电信号预处理。首先采用离散小波变换软阈值法对 MIT-BIH 心率异常数据库 中的心电信号进行去噪；然后使用自适应阈值算法进行心电信号 R 波峰定位，再依据 该定位结果进行心拍分割；最后利用 ADASYN 算法对分割后的心拍数据进行了数据不 平衡处理，增强了实验数据的均衡性和可靠性。 2 ）提出了一种基于 PSTA-Net 的 ECG 信号分类方法。此方法采用并行架构模型， 融合注意力机制，实现对 ECG 信号的自动分类。在特征提取方面，采用时空注意力模 块，分别捕捉心电信号序列数据的前后依赖关系和不同尺度上的局部相关特征，实现在 不同尺度下时序和空间特征的融合。最终分类结果表明，该模型在测试集中对 5 种不同 心电信号的总体分类准确率 （Overall Accuracy, OA ）、特异性 （Specificity, Spe）、敏感 度 （Sensitivity, Sen）、精确度 （Precision, Pre ）和 Macro-F 分别为 99.50%、99.61%、 96.20%、98.02%和 97.08%，在心电信号分类领域中取得了更好的分类准确度。 3 ）提出了一种基于 FA-Net 的ECG 信号分类方法。该方法避开目前常用的基于 CNN 和 LSTM 的心电分类模型，采用多头注意力机制，并使用位置编码和密集插值策略来 最终获得心电数据的特征向量。模型最终的分类测试总体准确率达到 99.27%，特异性 为 99.33%，敏感度为 95.06%，Macro-F 为 96.29%，在保证分类性能的同时，缩短了 网络模型深度，降低了模型计算复杂度。 本文所提出的两种心电信号分类方法，在心电信号分类识别准确性等方面获得了较 好的效果。 关键词：心电分类；数据不平衡；深度学习；并行架构；注意力机制 I 基于深度学习和注意力机制的心电信号分类方法研究 目 录 绪论 1.1 研究背景与意义 1.2 国内外研究现状 1.2.1 ECG 数据集不平衡处理研究现状 1.2.2 ECG 信号分类算法研究现状 2 1.3 本文主要研究内容 4 1.4 本文组织结构 4 2 ECG 信号分类技术与理论 6 2.1 引言 6 2.2 ECG 信号相关知识 6 2.3 ECG 信号不平衡处理算法 7 2.3.1 SMOTE 算法 7 2.3.2 ADASYN 算法 8 2.4 深度学习网络 9 2.4.1 1D-CNN 网络 9 2.4.2 Bi-LSTM 网络 2.5 注意力机制 13 2.5.1 注意力机制原理 13 2.5.2 注意力机制形式 14