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（LSTM） Spark Streaming
• 年，卷（期）: 2020,（5）
• 页码范围: 1039-1048
• 页数: 10页
• 分类号: TP 183
• 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.