一种基于心电图信号的新型深度心律失常诊断网络用于房颤分类

心房颤动（Atrial Fibrillation, AF）是一种常见且具有潜在致命性的反复发作性心律失常，主要影响老年人群。在医学科学与生物信息学领域，自动分类技术是极具价值的研究方向，尤其在心房颤动的检测中具有重要意义。然而，由于心电图（ECG）信号幅值微小、持续时间短，且具有高度复杂性与非线性特征，依靠人工分析难以准确识别其局部特征。为此，本文提出一种新型深度心律失常诊断方法——深度卷积神经网络与双向长短期记忆网络融合模型（Deep CNN-BLSTM），旨在基于ECG信号实现心房颤动心搏的自动检测。该模型主要由四层卷积层、两层双向长短期记忆（BLSTM）层以及两层全连接层构成。实验中，将RR间期数据集（记为数据集A）与心搏序列数据（包含P波、QRS波群及T波，记为数据集B）分别输入该模型进行训练与验证。尤为重要的是，所提出的算法在数据集A的训练集和验证集中分别取得了99.94%和98.63%的高准确率。在测试集（未见数据）上，模型进一步实现了96.59%的准确率、99.93%的灵敏度以及97.03%的特异性。据我们所知，该算法在性能上显著优于多项现有先进研究成果，为心房颤动的自动化检测提供了一种高效、可靠的新型解决方案。