堆叠双向LSTM心电图分类算法：提升准确性与性能

"本文提出了一种基于堆叠式双向循环神经网络(BILSTM)的心电图分类算法，通过预处理优化数据，然后在MATLAB2018b环境下利用CUDA9.0进行训练和测试。该算法在2017年和2018年的生理信号挑战赛数据集上表现出高分类准确率，并优于传统的LSTM和单层双向LSTM网络。" 本文主要探讨了心电图(ECG)分析中的深度学习方法，特别是利用堆叠式双向长短期记忆网络(BILSTM)的分类算法。随着心电图数据的增长，对高效且精确的分析技术的需求日益增加。传统的机器学习方法可能难以捕获ECG信号中的复杂时间序列特征，而深度学习，尤其是循环神经网络(RNN)，因其对序列数据的处理能力，成为了理想的解决方案。 BILSTM是RNN的一种变体，它结合了两个反向传播的LSTM层，能同时捕获序列的前向和后向依赖，对于心电图这类具有时间关联性的数据尤为有效。预处理步骤包括数据截断、长度固定、样本均衡以及计算信号的瞬时频率和光谱熵，这些处理有助于模型更好地从数据中提取特征并降低学习难度。 在实现上，该算法在Windows操作系统下的MATLAB2018b环境中运行，并利用CUDA9.0进行GPU加速，以提高训练效率。实验结果以分类准确率为评估标准，分别在2017年和2018年的生理信号挑战赛数据集上进行了验证。在2017数据集上，模型的准确率达到了97.4%，而在2018数据集上为η.6%（η值未给出），并且在MATLAB组别中取得了第三名的成绩。 与传统的LSTM网络相比，该算法在2017数据集上提高了5.6%的准确率，在2018数据集上提高了7.6%；对比单层的双向LSTM网络，2017数据集上提升了4.2%，2018数据集上提升了5.7%。这些提升证明了堆叠式BILSTM模型在处理心电图分类任务上的优势和优越性。 此外，该研究得到了多项基金的支持，包括国家自然科学基金、甘肃省自然科学基金和中央高校基本科研业务费专项资金。通信作者马义德及其团队成员（王文刀、王润泽、魏鑫磊和漆云亮）在心电图自动识别领域做出了显著贡献，为未来的心电图分析提供了有价值的理论和技术参考。