基于模式识别和集成CNN-LSTM的阵发性房颤预测模型

发布时间：2021-07-28 21:14

　　为了适用于长期心电监护和ICU等实时性、数据密集型应用场合,提出可在8 Hz采样频率的1 min心电图（ECG）片段上提前45 min预测阵发性房颤（PAF）发作的实时预测模型.采用概率符号化模式识别方法,在降采样后的ECG序列上提取出1 min窗口内的模式转移特征,降低模型的计算量和对存储空间的需求,确保实时预测的效果.提出卷积神经网络（CNN）和长短-期记忆网络（LSTM）的混合模型（CNN-LSTM）,用于提取模式转移特征内隐含的局部空间特征和时间依赖特征.为了提升模型泛化能力,构建基于CNN-LSTM的集成分类器.采用Spark Streaming技术完成对ECG流式数据的读、写和计算,实现数据和模型之间的低延迟通信.所提模型在公开数据集上的准确率、灵敏度和特异度分别为91.26%、82.21%、95.79%.模型处理总延迟平均为2 s,满足实时PAF预测需求. 

【文章来源】：浙江大学学报(工学版). 2020,54(05)北大核心EICSCD

【文章页数】：10 页

【参考文献】：
期刊论文
[1]用于心律失常识别的LSTM和CNN并行组合模型[J]. 张异凡,黄亦翔,汪开正,刘成良.  哈尔滨工业大学学报. 2019(10)
[2]基于RR间期的阵发性房颤复发预测[J]. 兰天杰,杨翠微.  生物医学工程学杂志. 2019(04)
[3]心房颤动:目前的认识和治疗的建议-2018[J]. 黄从新,张澍,黄德嘉,华伟.  中国心脏起搏与心电生理杂志. 2018(04)



本文编号：3308657