融合单导联心电图传统与深度特征的常见心律失常识别方法研究

摘要

心律失常是心血管疾病中最为常见的疾病类型之一。基于便携式设备,对少数导联的心电图进行长期智能监护,有利于提高心律失常的检出率,但产生的海量长程ECG数据会给临床医生带来极大的工作负担,也容易导致漏检和误判。为此,提出一种融合单导联心电图传统与深度特征的常见心律失常自动识别方法。首先针对常见心律失常,提取频域、时域和形态上的传统特征;然后搭建残差块深度卷积神经网络和双向长短时记忆网络,用于提取深度特征;接着在通过深度网络融合3种不同尺度的特征后,对常见的心律失常节律和正常节律进行分类识别;最后采用2018年中国生理信号挑战赛和2017年全球房颤挑战大赛分别提供的6877组静态和8528组动态心电图数据来验证所提出的研究方法。在只采用一个导联的静态心电图信号情况下,在分类识别6种心律失常节律和1种正常节律上获得0.855的平均F1分数,优于现有的相关方法;在单导联动态心电图上,新的研究方法在分类识别房颤、其他心律失常和正常节律的平均F1分数为0.827,与2017年全球房颤挑战大赛中两个并列第一的方法性能相当,优于其他相关方法。因此,所提出的研究方法在常见心律失常的辅助诊断和穿戴式远程监护中具有较好的应用前景。