基于位置注意力机制的混合神经网络心电信号分类算法

心电信号分类是医疗保健领域的重要研究内容。心电信号数据是类不平衡数据,不同类别的心律失常依赖于心电图的长期变化特征,局部变化特征及其相对位置。针对大多数方法不能较好地解决数据类不平衡,且未考虑特定波形重要性等问题,提出一种基于位置注意力机制的混合神经网络心电信号分类(DCLB)算法。首先,利用深度卷积生成对抗网络扩充数量少的类别样本,从而解决类不平衡问题;其次,利用二维卷积神经网络和双向长短期记忆网络进行特征提取,从而获得心电信号的局部变化特征和长期变化特征;然后,在每个二维卷积神经网络后嵌入位置注意力机制,从而提高关键位置特征的重要程度;最后,利用全连接网络输出分类结果。对MIT-BIH心律失常数据集中的30584个样本的实验结果表明,DCLB算法的平均准确率为98.79%,敏感性为94.21%,特异性为98.98%,阳性预测值为93.70%。该模型可以有效提取心电信号特征,适用于监测系统中心律失常疾病的诊断。

基于改进深度残差收缩网络的心电信号分类算法

心电信号分类是医疗保健领域的重要研究内容.针对大多数方法不能很好地降低样本数量少的类别漏诊率,以及降低预处理操作的复杂性问题,提出了一种基于改进深度残差收缩网络(IDRSN)的心电信号分类算法(即DRSL算法).首先,使用合成少数类过采样技术(SMOTE)扩充数量少的类别样本,从而解决了类不平衡问题;其次,利用改进深度残差收缩网络提取空间特征,其残差模块可以避免网络层加深造成的过拟合,压缩激励和软阈值化子网络可以提取重要局部特征并自动去除噪声;然后,通过长短期记忆网络(LSTM)提取时间特征;最后,利用全连接网络输出分类结果.在MIT-BIH心律失常数据集上的实验结果表明,该算法的分类性能优于IDRSN、DRSN、GAN+2DCNN、CNN+LSTM_ATTENTION、SE-CNN-LSTM分类算法.