首页 > 岭南心血管病杂志 > 基于多尺度卷积神经网络和多尺度注意力机制的心电信号分类方法研究——以Brugada综合征为例

基于多尺度卷积神经网络和多尺度注意力机制的心电信号分类方法研究——以Brugada综合征为例

Research on Electrocardiogram Signal Classification Method Based on Multi-Scale Convolutional Neural Network and Multi-Scale Attention Mechanism:Taking Brugada Syndrome as an Example

二维码有效期 120s

摘要目的针对心电信号分类中存在的召回率与F1-Score较低、数据类别不平衡等问题,开展基于深度学习的分类方法研究,以提升不同应用场景下的心律失常诊断性能.方法提出两种深度学习模型:面向低算力场景的轻量级MGA-Net模型,融合多尺度卷积、多频带分组(multi-frequency band grouping,MFBG)与一维高效多尺度注意力(one-dimensional efficient multi-scale attention,1D-EMA)模块,并采用焦点损失(Focal Loss)与合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)方法优化数据不平衡;面向高精度需求的MAK-Net模型,结合多尺度卷积、注意力机制、双向门控循环单元(bidirectional gated recurrent unit,BiGRU)与柯尔莫哥洛夫-阿诺尔德网络(Kolmogorov-Arnold network,KAN)模块.在麻省理工学院-贝斯以色列医院(Massachusetts Institute of Technology-Beth Israel Hospital,MIT-BIH)心律失常数据库及来自广州医科大学附属第一医院的Brugada综合征数据集上进行训练与测试.结果 MGA-Net在MIT-BIH数据集上准确率达0.996 1,F1-Score为0.975 1,召回率为0.975 2;MAK-Net准确率为0.998 0,F1-Score为0.988 8.跨数据集测试表明,MAK-Net能有效识别Brugada综合征相关心律失常类别.结论所提出的MGA-Net与MAK-Net模型能显著提升心电信号分类的综合性能,具有良好的泛化能力与临床应用潜力,为心律失常智能诊断提供了有效解决方案.