[1]张明伟,张天逸,程云章△.基于1D CNN—BiLSTM网络联合集成学习的心律失常智能诊断系统*[J].生物医学工程研究,2022,03:259-267.
ZHANG Mingwei,ZHANG Tianyi,CHENG Yunzhang.Arrhythmia intelligent diagnosis system based on 1D CNN-BiLSTM network joint integrated learning[J].Journal of Biomedical Engineering Research,2022,03:259-267.
点击复制
基于1D CNN—BiLSTM网络联合集成学习的心律失常智能诊断系统*(PDF)
《生物医学工程研究》[ISSN:1006-6977/CN:61-1281/TN]
- 期数:
-
2022年03期
- 页码:
-
259-267
- 栏目:
-
- 出版日期:
-
2022-09-25
文章信息/Info
- Title:
-
Arrhythmia intelligent diagnosis system based on 1D CNN-BiLSTM network joint integrated learning
- 文章编号:
-
1672-6278 (2022)03-0259-06
- 作者:
-
张明伟1; 2; 张天逸1; 2; 程云章1; 2△
-
1.上海理工大学 健康科学与工程学院,上海 200093;2.上海介入医疗器械工程技术研究中心,上海 200093
- Author(s):
-
ZHANG Mingwei1; 2; ZHANG Tianyi1; 2; CHENG Yunzhang1; 2
-
1.School of Health Sciences and Engineering, University of Shanghai for Science and Technology ,Shanghai 200093,China;2. Shanghai Interventional Medical Device Engineering Technology Research Center ,Shanghai 200093
-
- 关键词:
-
心律失常诊断; 多导联信号; 小波软阈值去噪; 多网络联合; 轻量级CNN; 集成学习框架
- Keywords:
-
心律失常诊断; 多导联信号; 小波软阈值去噪; 多网络联合; 轻量级CNN; 集成学习框架
- 分类号:
-
R318;TN911.7
- DOI:
-
10.19529/j.cnki.1672-6278.2022.03.07
- 文献标识码:
-
A
- 摘要:
-
为提高心律失常智能诊断的准确率,本研究提出了一种多网络融合模型和Stacking集成学习算法,用于八种心律失常疾病的智能诊断。使用1D CNN—BiLSTM融合网络提取单导联信号的高维特征和时域相关性特征,将十二个导联的心电信号特征融合,得到高维的特征张量,采用Stacking集成学习算法训练得到泛化性更好的诊断模型。通过比较准确性、精确性、召回率、F1-Score四个诊断性能指标,验证了利用十二导联融合特征作为最终诊断特征,准确率有显著提升,且Stacking集成学习算法较单一机器学习算法有更好的性能。本研究通过将机器学习、神经网络、集成学习算法有效结合,训练得到的心律失常智能诊断模型有较高的准确率,为基于心电信号的心律失常智能诊断提供了一种新方法。
- Abstract:
-
为提高心律失常智能诊断的准确率,本研究提出了一种多网络融合模型和Stacking集成学习算法,用于八种心律失常疾病的智能诊断。使用1D CNN—BiLSTM融合网络提取单导联信号的高维特征和时域相关性特征,将十二个导联的心电信号特征融合,得到高维的特征张量,采用Stacking集成学习算法训练得到泛化性更好的诊断模型。通过比较准确性、精确性、召回率、F1-Score四个诊断性能指标,验证了利用十二导联融合特征作为最终诊断特征,准确率有显著提升,且Stacking集成学习算法较单一机器学习算法有更好的性能。本研究通过将机器学习、神经网络、集成学习算法有效结合,训练得到的心律失常智能诊断模型有较高的准确率,为基于心电信号的心律失常智能诊断提供了一种新方法。
备注/Memo
- 备注/Memo:
-
(收稿日期:2021-12-12)上海市公共卫生体系建设三年行动计划(2020-2022年)学科带头人计划项目(GWV-10.2-XD32);上海工程技术研究中心资助项目(18DZ2250900)。△通信作者Email:cyz2008@usst.edu.cn
更新日期/Last Update:
2022-11-08