多任务深度神经网络提升心电图分类精度:一种残差与自注意力方法

版权申诉
0 下载量 30 浏览量 更新于2024-06-19 1 收藏 2.76MB PDF 举报
本论文主要探讨了基于多任务深度神经网络的心电分类方法在心血管疾病诊断中的应用,特别是在提升心电信号自动分类的准确性方面。心电图作为诊断的重要工具,其准确分类对于早期发现和治疗心血管疾病至关重要。传统的深度学习模型,尽管在心电分类领域表现出色,但往往缺乏对先验信息的利用,导致过拟合和泛化能力不足。 论文首先针对单任务深度学习模型存在的局限性,即忽视不同心电类别之间的关联性,提出了一个结合多任务学习和卷积神经网络(CNN)的心电分类模型。为了克服深度网络深层特征提取时的梯度消失和网络退化问题,采用了残差结构,同时考虑心电信号的序列特性,引入了自注意力机制和长短时记忆网络,强化了数据依赖关系。通过硬参数特征共享,模型分为特征共享和独立特征提取两部分,实验结果显示,该模型在两个十二导联心电数据集上达到了较高的精度,分别为0.823和0.843,证实了其有效性。 进一步,论文针对深度神经网络在处理十二导联心电信号时可能出现的导联特征权重不均衡问题,提出了挤压和激励残差网络。这种网络可以根据导联信息的重要性动态调整权重,使模型更关注重要的特征。此外,引入上下文自注意力模型,同时处理注意力机制和序列信息,增强了对不同位置信息的交互,从而获取静态局部和动态全局序列信息。为了更好地捕捉相邻位置的依赖,论文还采用了双向门控循环单元(BiGRU),进一步提取序列信息并增强前后位置的联系。 在实际验证阶段,作者在2018年中国生理信号挑战赛数据集上测试了所提出的多任务上下文自注意力模型,取得了精度0.824、F1分数0.837和AUC0.976的优异成绩。同时,在PTB-X数据集上,模型同样展现了优越的性能,证明了所提方法的有效性和在实际应用中的可行性。这篇论文通过引入多任务学习和创新的特征提取技术,显著提高了心电信号的分类准确度,为心血管疾病早期预警提供了有力的支持。