基于卷积神经网络和注意力机制的心律失常检测方法研究.pdf

基于卷积神经网络和注意力机制的心律失常检测方法研究

研究生姓名：孙宇灏导师姓名：周飞燕

学科：软件工程研究方向：计算机辅助心电图诊断年级：2021级

摘要

心血管疾病在全球范围内的发病率不断攀升，已成为许多国家首要的致死病因。

随着医疗机构日常诊疗业务量的增长，专业心电图医师面临着繁重的诊断任务压力。

通过采用先进的深度学习技术进行心电图诊断，有望实现对心血管疾病的高效识别与

精准判断，从而有效减轻临床医生的工作负担。本文聚焦于心律失常的心电图表征及

其在诊断分类过程中所遇到的主要挑战，并基于深度神经网络研发出一种针对早搏的

分类模型以及一种患者间心拍心律失常的分类模型。本文的核心内容概括如下：

（1）早搏是最常见的一类心律失常形式，为了获取更好的早搏诊断方案，本文提

出了一种融合了频率通道注意力机制与双向门控循环单元的早搏诊断网络。在基于心

拍的诊断方案中，通过分割心拍并对不同部分采用不同的卷积步长，以达到对QRS

复合波的特别关注。为了适应心拍和记录两种诊断需求，该方案选择了MIT-BIH-AR

数据库和中国心律失常数据库，对最常见的两种早搏类型——室性早搏和房性早搏进

行了分类实验。此外为了解决数据不平衡问题，该方案对少数类进行数据增强，以此

扩充训练样本集。实验结果显示，在MIT-BIH-AR数据库中，该方案在室性早搏检测

中达到了99.74%的准确率；在房性早搏检测中，达到了99.76%的准确率。在中国心

律失常数据库中，通过对超过13万份心电图记录的分析，该方案在室性早搏检测上

实现了98.29%的准确率；在房性早搏检测上，达到了97.40%的准确率。

（2）在病人间的分类方案中，室性早搏和房型早搏分别被划分为室上异位搏动和

心室异位搏动两个大类，为了拓展检测的适用场景，本文提出了一种基于卷积神经网

络的方案，用于病人间心律失常心拍的诊断。此网络结构整合了多尺度卷积块、频率

卷积块注意力模块以及RR间期特征，以增强模型对心拍特征的捕捉能力。此外，在

训练过程中，此方案除了采用过采样以及加噪来扩充疾病类数据外，还引入了平滑标

签损失函数，以进一步提升模型对少数疾病类别的识别精度。此方案选用MIT-BIH-

AR心律失常数据库来评估模型分类性能。实验结果显示，在正常搏动、心室上异位

搏动和心室异位搏动的诊断中，此方法的灵敏度分别达到了96.9%、89.3%和93.3%。

通过以上研究，旨在为心血管疾病的早期发现与精准治疗提供更为高效、准确的

心电图智能辅助诊断方案。

关键词：心电图；早搏；多尺度卷积；注意力机制；RR间期

Researchonarrhythmiadetectionmethodbasedonconvolutional

neuralnetworkandattentionmechanism

Graduatestudent:YuhaoSun

Supervisor:FeiyanZhou

Major:SoftwareEngineering

Researchdirection:Computer-assistedElectrocardiogramDiagnosis

Grade:2021

Abstract

Theincidenceofcardiovasculardiseaseshasbeencontinuouslyrisingglobally,

becomingtheleadingcauseofdeathinmanycountries.Withtheincreasingworkloadof

routinemedicalservices,professionalelectrocardiogramphysiciansarefacingthepressure

ofheavydiagnostictasks.Theadoptionofadvanceddeeplearningtechnologyfor

electrocardiogram