基于1D CNN—BiLSTM网络联合集成学习的心律失常智能诊断系统
张明伟
张天逸
程云章
上海理工大学健康科学与工程学院,上海200093;上海介入医疗器械工程技术研究中心,上海200093
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1 D 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.
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
分类号：R318(医用一般科学)TN911.7(通信)
资助基金：上海市公共卫生体系建设3年行动计划学科带头人计划项目(2020-2022;GWV-10.2-XD32)上海工程技术研究中心资助项目(18DZ2250900)
论文发表日期：2022-09-25
在线出版日期：2026-09-11（本平台首次上网日期，不代表文献的发表时间）
页数：9( 259-267 )
英文信息