基于心跳活动全局序列特征与BiLSTM-Attention神经网络的心跳分类可解释性分析

心律失常是一种威胁人类生命健康的疾病，因此及时诊断心律失常对于预防心血管疾病和猝死具有重要意义。基于心搏活动全局序列特征的双向长短期记忆网络-注意力机制（BiLSTM-Attention）模型，能够有效提升心搏分类的准确性。首先，采用连续小波变换方法对原始心电信号进行去噪处理；其次，利用标注数据库检测R波波峰，并提取P-QRS-T波形形态特征以及RR间期信息，构成心搏活动的全局序列特征，该特征集融合了单个心搏的形态学特征与连续21个RR间期信息。最后，分别采用Bi-LSTM算法与BiLSTM-Attention算法对心搏类别进行识别，并基于MIT-BIH心律失常数据库对算法性能进行验证。实验结果表明，结合心搏活动全局序列特征的BiLSTM-Attention模型在分类性能与可解释性方面均优于本文所讨论的其他方法。