基于深度学习的多标签不均衡心电信号分类

心电图(ECG)自动分类技术已经成为医学诊断的热门研究领域。在临床上,同一个患者通常伴随多种心律失常。为了能够精准分类出多种心律失常,本文提出了一种涵盖多种注意力机制的一维卷积神经网络模型。相比传统的机器学习或者深度学习方法提取特征的能力有限,引入的注意力机制能够引导模型学习心电信号中不同通道和空间位置之间的差异信息的同时结合全局稀疏自注意力,提高分类仿真模型对与心律失常有关特征的关注程度;其次,通过重采样技术以及在损失函数的设计上融入了标签相关性策略来应对多标签带来的类别不均衡问题。在两个公开的多标签心电数据集CPSC2018和PTB-XL上评估该网络的性能,macro-F1分别达到84.13%和73.6%。实验结果表明,该模型具有良好的分类性能。

基于注意力机制与卷积神经网络的不均衡多标签心电图分类方法研究

心血管疾病是全球主要死因之一,及早发现心脏病的风险因素对于预防猝死至关重要,基于心电图的心律失常自动检测是心脏病筛查的重要手段,对降低心脏病死亡率至关重要。临床上同一患者可能同时出现多个心电异常类型,因此,解决心电图数据中多标签问题且考虑标签关系显得尤为重要。本文提出了一个多标签心电图分类模型,包括卷积神经网络、Transformer和注意力机制等模块,其中卷积神经网络用于提取局部特征,Transformer用于提取全局特征,采用非对称损失函数平衡正负标签。对两个心电数据集进行实验,实验结果表明,本文提出的模型相较于现有心电图分类方法,表现更优异。