基于改进CNN和LSTM的房颤识别算法研究

Wang Rui, Zhou Zuojian, Li Can, Li Hongyan,Lang Xufeng, Song Yihua

Computer Era（2023）

引用 0|浏览0

暂无评分

摘要

有数据显示,每年约有1500万人因房颤住院治疗,及时诊断可以有效地降低患病风险.本文提出一种改进CNN和LSTM的深度学习模型,在CNN模块使用了Swish函数作为激活函数,并在LSTM中引入了点积注意力机制,用于心电信号的特征提取和心律失常的诊断.利用卷积神经网络提取心电信号中的特征,LSTM可以对心电信号中的特征进行深度的挖掘,引入注意力机制,完成房颤的识别.所提模型的准确率为0.9771,F1为0.9609,精确率为0.9765,召回率为0.9799.

关键词

atrial fibrillation recognition,convolutional neural network(CNN),long short-term memory network(LSTM),attention mechanism

AI 理解论文

溯源树

样例

生成溯源树，研究论文发展脉络

Chat Paper

正在生成论文摘要