基于模式识别和集成CNN-LSTM的阵发性房颤预测模型

• 作者: 付利华 余悦任 康子健 李童 杨萍 王丹
• 来源期刊: 浙江大学学报（工学版）
• 学科: 工学
• 关键词: 阵发性房颤 心电图(ECG) 预测 概率符号化模式识别 卷积神经网络(CNN) 长短-期记忆网络
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 计算机技术
• 页码范围: 1039-1048
• 页数: 10页
• 分类号: TP183
• 字数: 7928字
• 语种: 中文
• DOI: 10.3785/j.issn.1008-973X.2020.05.023

摘要

为了适用于长期心电监护和ICU等实时性、数据密集型应用场合,提出可在8 Hz采样频率的1 min心电图(ECG)片段上提前45 min预测阵发性房颤(PAF)发作的实时预测模型.采用概率符号化模式识别方法,在降采样后的ECG序列上提取出1 min窗口内的模式转移特征,降低模型的计算量和对存储空间的需求,确保实时预测的效果.提出卷积神经网络(CNN)和长短-期记忆网络(LSTM)的混合模型(CNN-LSTM),用于提取模式转移特征内隐含的局部空间特征和时间依赖特征.为了提升模型泛化能力,构建基于CNN-LSTM的集成分类器.采用Spark Streaming技术完成对ECG流式数据的读、写和计算,实现数据和模型之间的低延迟通信.所提模型在公开数据集上的准确率、灵敏度和特异度分别为91.26％、82.21％、95.79％.模型处理总延迟平均为2 s,满足实时PAF预测需求.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王丹	北京工业大学信息学部	51	234	8.0	12.0
2	付利华	北京工业大学信息学部	19	69	6.0	7.0
3	杨萍	北京工业大学信息学部	4	7	1.0	2.0
4	李童	北京工业大学信息学部	3	0	0.0	0.0
5	康子健	北京工业大学信息学部	1	0	0.0	0.0
6	余悦任	北京工业大学信息学部	1	0	0.0	0.0