基于改进CNN和LSTM的房颤识别算法研究

有数据显示,每年约有1500万人因房颤住院治疗,及时诊断可以有效地降低患病风险。本文提出一种改进CNN和LSTM的深度学习模型,在CNN模块使用了Swish函数作为激活函数,并在LSTM中引入了点积注意力机制,用于心电信号的特征提取和心律失常的诊断。利用卷积神经网络提取心电信号中的特征,LSTM可以对心电信号中的特征进行深度的挖掘,引入注意力机制,完成房颤的识别。所提模型的准确率为0.9771,F1为0.9609,精确率为0.9765,召回率为0.9799。

基于体表心电图的房颤自动识别算法综述

首先介绍了房颤的症状、发病率及危害,然后重点阐述了基于体表心电图的房颤时域、频域和非线性分析自动识别技术,最后对文献报道的房颤识别算法辨别房颤的灵敏性、特异性、阳性预测率、准确率进行统计,并对各种方法的优缺点进行了比较。经过对比发现,利用多个R-R间期关联性的信息进行特征提取可以提高检测房颤的精度。此外,仅基于R-R间期的算法需较长的心电才能准确识别房颤,结合心房活动识别精度明显提高,当房性室性心动过速发生时,或者当心电节律快速改变时,此时信号更加适用于频域分析。非线性算法是对时域基于R-R间期算法的一种改进,能够进一步提高识别精度。