基于注意力机制的可解释心律失常分类模型

心律失常是心血管疾病中常见的临床表现形式,实现心律失常的自动分类在医学领域具有重要意义.在实际临床中,医生除了提供诊断结果,还要有详细的解释来支持自己的诊断,但是现有的大多数机器学习模型都忽略了结果的可解释性.同时,之前大部分研究致力于宏观分类,实际临床意义不大.为了解决这些问题,提出了一种可解释的基于注意力的混合深度学习模型(IAHM).IAHM通过分别提取心拍级别和心律级别的注意力特征,将医学知识和心电数据相结合,使学习的模型具有高度的可解释性.实验在公开数据库MIT-BIH上进行,对五种心律失常分类以弥补宏观分类的短板.IAHM在准确率、特异性、敏感性和阳性预测值分别达到94.65％、98.69％、92.69％和92.60％,有助于临床医生对心律失常进行准确分类.