当前位置: 首页 > 在线实验 > 基于Transformer模型的心律失常心拍分类研究
选择课程

基于Transformer模型的心律失常心拍分类研究

实验视频
实验机保留时间 ::
1人评价 学习人数:203 难度:高级 设计师:方班
近年来,心血管疾病已经成为全球第一大疾病,每年因为心血管疾病死亡人数的比例超过了30%。心律失常是一种较为复杂且难以治疗的疾病,对心律失常的预防和早期诊断显得尤为关键。心电图的心拍分类对心律失常的诊断具有重要意义,截至目前为止,已经有大量的研究人员致力于心拍分类的研究工作,而目前的方法主要分为传统机器学习方法和基于深度学习的方法。传统方法在可解释性上具有一定优势,且可以通过构造精巧的特征,使用简单的模型取得不错的效果,但是通常需要大量的人工干预和主观经验。因此,基于深度学习的方法在一定程度上弥补了传统方法的不足,但同时由于自身模型的局限性,既有方法通常需要复杂的卷积和循环结构,并行程度比较差;此外,很多方法只运用了形态学信息,对于某些特定的心律失常不具备良好的区分性。考虑到现有方法的不足,本文基于自然语言处理领域中Transformer 模型的基础架构,整合了一些手工构造的时序性特征,提出了一种应用于心电信号的新模型。为了将Transformer 模型应用在心电时间序列上,本研究作出了以下改变:1. 仅使用编码器部分,但同时将解码器部分的掩码技术应用在编码器部分。2. 考虑到心电信号特征空间的维度较小,且病人间天然的差异性,使用批归一化处理中间层数据。3. 尝试使用多个非形态学特征与模型提取的抽象特征结合进行分类。本研究在标准数据集MIT-BIH 上进行了多次实验,并使用不同的评价策略与多个方法进行比较,结果证明新模型在大多数情况下均能够取得更加优秀的结果。
...全部展开 
免费
  • 指导书
  • 评价(1)
  • 问答(1)

上传实验报告 实验报告模板

上传文件支持 20M内的 doc或 docx格式的文件。

实验标签
方班研讨厅 方班
归属课程
相关推荐
提供者: 播放次数:0