基于心电长时RR间期序列的心房颤动检测

为解决当前深度学习模型进行心房颤动检测泛化能力差的问题,提出了一种基于长时RR间期的心房颤动检测算法。基于心电信号的一维时序特性以及心房颤动的特殊RR间期,设计了CNN与LSTM结合的深度学习模型,深度挖掘长时RR序列的时间与空间特征,使得它能够在未知数据集上取得良好的结果。使用MIT-BIH心房颤动数据集的全部可用样本划分训练、验证与盲法测试集(3名个体)。通过10倍交叉验证后在盲法测试集上的准确率为99.11%、敏感性为98.86%、特异性为99.47%、阳性预测率为99.62%、F1分数为99.24%。模型与现有方法进行了对比,证实所提模型用于心房颤动检测的可行性,能够有效识别出未知数据集的心房颤动病例,泛化能力强。