ResLSTM-TemporalSE:多导联心电信号的自动分类
渠梦
傅蓉
南方医科大学生物医学工程学院,广东 广州 510515
摘要：目的 针对12导联心电信号(ECG)自动分类任务,提出一种高效的深度学习模型,以提高分类准确率.方法 设计了一种新型的ResLSTM-TemporalSE网络模型.该模型采用多层残差长短期记忆网络(ResLSTM),在LSTM层间引入跨层跳跃连接,构建时序特征的残差学习路径,并在传统压缩-激励模块(SE)中引入时序注意力机制,增强通道表达能力的同时捕捉ECG信号的时间依赖性,构建一个高效的多层次特征表达框架.该模型在CPSC2018数据集和南方医科大学第七附属医院私有数据集进行验证.结果 模型在CPSC2018测试集上分类准确率达到99.70%,精确度、召回率和F1值分别为0.9966、0.9370和0.9653,在临床私有数据集上分类准确率达到82.77%,精确度、召回率和F1值分别为0.6811、0.8961和0.7723.通过消融实验验证残差连接与时序注意力模块对模型性能的贡献.结论 ResLSTM-TemporalSE模型能够有效融合ECG信号的时空特征,在CPSC2018数据集上表现出卓越的分类性能,同时在真实临床环境中保持较强的泛化能力,为心电信号的自动分析提供了可靠的技术方案,具有潜在的临床应用价值.
关键词：心电信号分类深度学习残差网络长短期记忆网络压缩激励模块ResLSTM-TemporalSE
资助基金：国家重点研发计划(2023YFC2414502)广州市重点研发计划农业和社会发展科技专题项目(2023B03J1337)
论文发表日期：2025-12-20
在线出版日期：2025-12-31（本平台首次上网日期，不代表文献的发表时间）
页数：10( 2708-2717 )
英文信息