注意機制深度學習模型在心律失常分類技術中的應用

摘 要：心律失常作為心臟電活動異常的表現，其重要性不容忽視。為了確保心律失常的準確診斷和及時治療，避免患者因心跳異常而面臨生命威脅，提出了一種基于深度學習的心律失常分類檢測系統方法。該方法基于MIT-BIH數據集，結合多種深度學習模型，以一維原始信號為主要輸入維度進行心律失常分類檢測研究。實驗結果表明，深度學習在心律失常檢測中表現出較高的準確性和魯棒性，尤其在一維原始信號分類方面效果顯著。因此，優先采用基于一維原始信號的深度學習算法，有助于推動自動化心律失常檢測系統的開發與應用，從而提升診斷效率和醫療服務質量。

關鍵詞：深度學習；ECG；心律失常；一維原始信號；分類檢測；MIT-BIH

中圖分類號：TP39 文獻標識碼：A 文章編號：2095-1302（2025）08-0-04

0 引 言

隨著醫學科技的迅速發展，心血管疾病已成為全球范圍內導致人類死亡的主要原因之一。心律失常作為心臟電活動異常的典型表現，不僅影響患者的生活質量，在某些情況下甚至可能直接威脅患者的生命安全。因此，對心律失常進行準確、及時的診斷與治療，對于保障患者健康至關重要。傳統的心律失常診斷方法主要依賴于醫生對心電圖（ECG）信號的解讀和分析，然而這種方法存在主觀性強、效率低下等問題，且對復雜心律失常類型的診斷準確率往往難以保證。

近年來，深度學習技術的興起為心律失常分類檢測提供了新的解決方案。深度學習憑借其強大的特征學習和數據建模能力，能夠從復雜的醫學數據中提取有用信息，從而實現心律失常的準確分類。目前，已有不少研究者嘗試利用深度學習技術進行心律失常分類和診斷，并取得了一些良好的研究成果。

盡管深度學習在心律失常分類和診斷中取得了顯著進展，但仍面臨一些挑戰。一方面，其“黑盒”特性降低了醫生的信任度；另一方面，數據不平衡和樣本量不足可能導致模型過擬合或欠擬合，影響診斷的準確性和泛化能力。未來的研究需要克服這些挑戰，以提升深度學習在心律失常診斷中的實用性。

為解決上述問題，本文旨在探索基于深度學習的心律失常分類檢測方法，并通過實驗驗證其有效性和魯棒性。基于MIT-BIH數據集，結合多種深度學習模型，從一維原始信號維度對心律失常進行分類檢測研究。通過對一維原始ECG信號的分析，發現基于一維原始信號的深度學習算法在心律失常檢測中表現優異，分類效果顯著[1]。

本文的研究不僅為心律失常分類檢測提供了新的技術路線，還為推動自動化心律失常檢測系統的開發與應用提供了理論支持和實踐指導。隨著深度學習技術的不斷發展和完善，其在心律失常檢測領域的應用將會越來越廣泛，為心血管疾病的診斷和治療帶來革命性變革。

1 一維主要模型

1.1 一維主要模型的算法與原理

在一維模型算法中，主要采用了CNN_BiLSTM_Attention、GRU和一維CNN，其中CNN_BiLSTM_Attention表現尤為突出。該模型集成了CNN、BiLSTM和Attention機制，專門用于處理一維時間序列數據。這種混合模型在心電圖分析、生物信號識別等領域，均展現出了強大的性能。

CNN_BiLSTM_Attention是由CNN、BiLSTM、Attention機制和softmax組成的混合網絡，其模型結構如圖1所示。

門控循環單元（Gate Recurrent Unit， GRU）是一種特殊的循環神經網絡[1]，它通過兩個“門”來控制信息的流動：重置門決定遺忘多少過去的信息，更新門決定保留多少新的信息。GRU的設計旨在解決反向傳播中的梯度消失和長期依賴問題[2]。

在實驗中，分別采用ReLU和Mish作為激活函數，測試在同一個模型（如CNN_BiLSTM_Attention）中，僅將ReLU激活函數替換為Mish激活函數后的訓練效果差異。Mish激活函數作為ReLU的替代，旨在提供更強的非線性特性和優化梯度流動，其優勢在于其獨特的函數形式[3]。與ReLU的簡單截斷不同，在神經網絡中，ReLU激活函數通過輸出max（0，WTX+b）定義神經元在線性變換后的非線性輸出，并將其傳遞至下一層或作為最終輸出，具體取決于其在網絡中的位置。

1.2 數據集制作和一維度模型的訓練

采用來自MIT-BIH心律失常數據庫[2]的真實數據，主要使用改良的肢體導聯II （MLII）通道和矯正導聯通道（V5）作為信號數據。

（1）一維數據標準化：采用Z-Score標準化方法統一數據尺度，將數據轉換為標準正態分布，以提高模型訓練和預測性能。該方法有助于減少冗余、增強魯棒性，并降低異常值的影響，在機器學習和數據挖掘中被廣泛應用。

（2）K折交叉驗證：采用StratifiedKFold交叉驗證方法，確保各子集的類別比例與原始數據一致，從而減少數據不平衡對模型精度的影響。

（3）優化器與損失函數選擇：使用Adam優化器進行模型訓練，以確保公平比較不同模型的性能，避免因優化器差異帶來的影響。為統一評估標準，所有模型均采用binary_crossentropy損失函數。該損失函數簡單易用、計算成本低，且能有效處理類別不平衡問題。在本項目中，所有標簽經過one-hot編碼后輸入模型，最終解碼為常量標簽。

（4）模型評分標準：在機器學習分類任務中，模型評估需綜合考慮多個指標，包括精確率（precision）、召回率（recall）和F1分數。精確率用于衡量模型預測為正樣本中真正為正樣本的比例，召回率則評估所有真正為正樣本中被模型正確預測為正的比例[4]。F1分數是精確率和召回率的調和平均數，綜合衡量了兩者的性能[5]。這些指標的計算公式用于量化模型性能。

2 一維原始信號模型實驗結果分析

（1）1DCNN與1DCNN（Mish）：在對比一維CNN模型的不同激活函數時，Mish比ReLU平均精確率高0.03%，且標準差更小，表現更穩定，見表1、表2。然而，在平均損失和最優模型精確率方面，ReLU表現更佳。選擇時需權衡不同指標。

（2）BiLSTM與BiLSTM（Mish）：使用Mish激活函數的BiLSTM模型在精確率上表現更佳，但相較于ReLU激活函數，其性能波動更大且平均損失較大，見表3、表4。

（3）GRU與GRU（Mish）：對比使用Mish和ReLU激活函數的GRU模型，盡管Mish在最優和平均精確率上表現更佳，但其精確率的穩定性和平均損失表現卻不及ReLU，見表5、表6。

（4）MLP與MLP（Mish）：對比MLP模型的訓練效果，使用Mish激活函數的模型僅在精確率上略優于使用ReLU激活函數的模型，但在其他方面均不及后者，見表7、表8。

（5）CNN_BiLSTM_Attention與CNN_BiLSTM_Attention（Mish）：使用Mish激活函數的CNN_BiLSTM_Attention模型在訓練效果上顯著優于使用ReLU的版本，表現在更高的平均精確率、更小的平均損失以及更優的最優模型精確率上，見表9、表10。

Mish激活函數的一維卷積神經網絡平均精確率最高，但ReLU激活函數的模型在最優測試下精確率最高。ReLU模型在精確率和召回率上各有4個標簽表現最佳，而Mish模型在精確率和召回率上各有3個標簽領先。在F1分數上，兩者各有4個標簽達到最高值。

3 結 語

本文結合深度學習和人工智能的先進技術，探索了一種心律失常分類檢測方法。該方法利用一維模型算法，如CNN_BiLSTM_Attention和GRU，結合MIT-BIH數據集對心律失常進行分類檢測。實驗結果表明，基于一維原始ECG信號的深度學習算法在心律失常分類檢測中表現優異，特別是CNN_BiLSTM_Attention模型通過融合CNN、BiLSTM和Attention機制，能夠高效提取復雜心電圖信號中的特征并實現精準分類。此外，還對比了ReLU和Mish激活函數對模型性能的影響，為進一步優化模型提供了實驗依據。實驗結果驗證了深度學習在心律失常分類檢測中的有效性，并為開發自動化心律失常檢測系統提供了理論支持和實踐指導[7-9]。

本文提出的基于深度學習的心律失常分類檢測方法具有廣闊的研究前景和應用價值，未來有望進一步優化。例如，可以通過引入更多樣化的數據集來提升模型的泛化能力，或結合多模態融合技術以提高檢測的準確性和全面性。此外，本研究還可擴展至患者風險監測與預測等領域，從而推動心律失常分類檢測技術的革新，并為自動化心律失常檢測系統的開發與應用提供更堅實的理論支持和實踐指導[10]。

參考文獻

[1]李克文，杜蓯聰，黃宗超，等. CBiA-PSL抽油井異常工況預警模型[J].智能系統學報，2022，17（2）：295-302.

[2]孫瑨一. QoS數據驅動的Web服務發現方法研究[J].科學技術創新，2021（5）：72-73.

[3]田有文，吳偉，林磊，等.基于深度學習與高光譜成像的藍莓果蠅蟲害無損檢測[J].農業機械學報，2023，54（1）：393-401.

[4]高月明，林清華，柳樹票，等.雨量異常數據的空間維度分析與甄別[J].人民珠江，2022，43（12）：97-103.

[5]王晨，袁慶霓，白歡，等.面向倉儲貨物的輕量化目標檢測算法[J].激光與光電子學進展，2022，59（24）：74-80.

[6]張一博，茹禹然，趙文呂，等.基于組合模型的車模識別算法研究[J].電腦知識與技術，2021，17（28）：15-19.

[7]張淼，陳宏濤.基于Di-LSTM算法的注意力缺陷多動障礙癥分類[J].電子設計工程，2022，30（4）：52-57.

[8]王園.基于多頭自注意力機制的心律失常分類深度學習模型[D].武漢：華中科技大學，2022.

[9]張逸，周莉，陳杰.基于深度學習的心電圖心律失常分類方法[J].電子設計工程，2022，30（7）：6-9.

[10]張逸，周莉，陳杰.基于知識蒸餾的心律失常分類模型[J].電子設計工程，2022，30（8）：21-25.