基于堆叠式双向循环神经网络的心电图分类算法

针对日趋增长的心电图数据分析需求，提出新的心电图分类算法。首先，对原始数据进行截断固定长度、样本均衡、求取信号的瞬时频率和光谱熵等预处理操作。经过预处理后，模型能够更好地从中提取特征进行学习。在训练过程中，采用两个双向LSTM（BILSTM）网络堆叠组成的模型。堆叠式双向LSTM模型是一种改进的循环神经网络模型，相较于卷积神经网络，循环神经网络更加适合处理心电图这样的序列数据。该模型在Windows下的MATLAB2018b上进行训练和测试，CUDA版本为9.0，采用分类准确率作为衡量模型性能的指标。模型在两个数据集上进行了测试：一个是2017年生理信号挑战赛数据集，分类准确率为97.4%；另一个是2018年生理信号挑战赛数据集，分类准确率为98.6%。该模型在传统LSTM网络和单层双向LSTM网络上的表现均有显著提升，验证了其可行性和优势。