摘要
心电图（ECG）信号是一种常用且强大的工具，用于研究心脏功能和诊断多种异常心律。尽管在心脏心律失常分类方法方面已取得显著进展，但它们在检测不同心脏状况时仍无法提供令人满意的性能，特别是在处理不平衡数据集时。本文提出了一种解决方案，通过开发基于深度卷积神经网络和序列到序列模型的自动心跳分类方法来解决当前分类方法的这一局限性。我们根据患者内和患者间范式以及AAMI EC57标准，在MIT-BIH心律失常数据库上对所提出的分类方法进行了评估。评估结果显示，无论是在患者内还是患者间范式下，我们的方法均达到了文献中最佳的性能水平（对于S类，患者内方案的阳性预测值为96.46%，灵敏度为100%；对于F类，阳性预测值为98.68%，灵敏度为97.40%；对于S类，患者间方案的阳性预测值为92.57%，灵敏度为88.94%；对于V类，阳性预测值为99.50%，灵敏度为99.94%）。源代码可在https://github.com/SajadMo/ECG-Heartbeat-Classification-seq2seq-model 获取。