基于改进残差密集网络的心律失常自动分类

摘要

实现对不同类型心律失常的自动分类可为医生提供可靠诊断信息,有效提高该类疾病的诊断效率.因此,本文提出一种改进的残差密集网络用于心律失常的自动分类.该模型将改进的残差密集块作为残差密集网络的基本模块,使用深度可分离卷积替代传统卷积可有效提取通道间特征,降低参数量,同时引入通道注意力机制,实现特征选择,提高重要特征的权重分布.实验基于2018中国生理信号挑战赛提供的公开数据集,对9种类型的心律失常进行分类,F1均值达到81.2％,优于主流的深度学习网络模型.实验结果验证了该模型的可行性与优势,为心律失常分类提供了一种新的方法.