时序表征输入法

周期性表征提升分类

一种结合心电图周期特性的时间表示输入方法，通过深层网络提取特征，能更有效地区分五类心律失常心跳。

Huang, Youhe · 李鸿儒 · 于霞

Biomedical Signal Processing and Control 2023

参数信息

平均准确率

98.95 %

精确率

97.07 %

灵敏度

96.54 %

特异度

99.33 %

技术优势

利用周期结构

将每个心跳按相位对齐后再输入，使网络能聚焦于心动周期内相似的形态变化，从而更容易捕捉类间差异。

注意力聚焦差异

引入注意力机制自动强调特征中的辨别性部分，使模型更关注不同类别间的关键差异。

性能显著

在 MIT-BIH 心律失常数据库上平均准确率达到 98.95%，比传统特征融合方法更好。

应用场景

• 心电分类：改进心律失常自动分类的输入表示，提升诊断准确率。
• 远程心脏监测：为远程心电监护提供高精度实时分类模块。
• 生理信号分析：为其他具周期性的生理信号提供表征构造新思路。