Analyse der Interpretierbarkeit der Herzschlag-Klassifizierung basierend auf globalen Sequenzmerkmalen der Herzschlag-Aktivität und eines BiLSTM-Attention-Neuralen Netzwerks

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.