|本期目录/Table of Contents|

[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。

参考文献/References

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