Arrhythmie ist eine Erkrankung, die das menschliche Leben gefährdet. Daher ist eine zeitnahe Diagnose von Arrhythmien von großer Bedeutung für die Prävention von Herzkrankheiten und plötzlichem Herztod. Das BiLSTM-Attention-Neuralnetzwerkmodell, das globale Sequenzmerkmale der Herzaktivität nutzt, kann die Genauigkeit der Herzfrequenzklassifizierung effektiv verbessern. Zunächst wird der Rausch mittels der kontinuierlichen Wellenlettransformationsmethode entfernt. Anschließend wird der Peak der R-Welle anhand einer annotierten Datenbank ermittelt, woraufhin die Morphologie der P-QRS-T-Wellen und die RR-Intervalle extrahiert werden. Diese Merkmalsmenge stellt die globalen Sequenzmerkmale der Herzaktivität dar und kombiniert die Morphologie einzelner Herzschläge mit 21 aufeinanderfolgenden RR-Intervallen. Schließlich werden das Bi-LSTM-Verfahren und das BiLSTM-Attention-Verfahren jeweils zur Klassifizierung der Herzschläge eingesetzt, wobei die MIT-BIH-Arrhythmie-Datenbank zur Validierung des Algorithmus herangezogen wird. Die Ergebnisse zeigen, dass das BiLSTM-Attention-Modell in Kombination mit den globalen Sequenzmerkmalen der Herzaktivität eine höhere Interpretierbarkeit im Vergleich zu anderen in diesem Artikel diskutierten Methoden aufweist.