蚁景网安实验室

近年来，心血管疾病已经成为全球第一大疾病，每年因为心血管疾病死亡人数的比例超过了30%。心律失常是一种较为复杂且难以治疗的疾病，对心律失常的预防和早期诊断显得尤为关键。心电图的心拍分类对心律失常的诊断具有重要意义，截至目前为止，已经有大量的研究人员致力于心拍分类的研究工作，而目前的方法主要分为传统机器学习方法和基于深度学习的方法。传统方法在可解释性上具有一定优势，且可以通过构造精巧的特征，使用简单的模型取得不错的效果，但是通常需要大量的人工干预和主观经验。因此，基于深度学习的方法在一定程度上弥补了传统方法的不足，但同时由于自身模型的局限性，既有方法通常需要复杂的卷积和循环结构，并行程度比较差；此外，很多方法只运用了形态学信息，对于某些特定的心律失常不具备良好的区分性。考虑到现有方法的不足，本文基于自然语言处理领域中Transformer 模型的基础架构，整合了一些手工构造的时序性特征，提出了一种应用于心电信号的新模型。为了将Transformer 模型应用在心电时间序列上，本研究作出了以下改变:1. 仅使用编码器部分，但同时将解码器部分的掩码技术应用在编码器部分。2. 考虑到心电信号特征空间的维度较小，且病人间天然的差异性，使用批归一化处理中间层数据。3. 尝试使用多个非形态学特征与模型提取的抽象特征结合进行分类。本研究在标准数据集MIT-BIH 上进行了多次实验，并使用不同的评价策略与多个方法进行比较，结果证明新模型在大多数情况下均能够取得更加优秀的结果。

...全部展开