典型文献
基于并行架构和时空注意力机制的心电分类方法
文献摘要：
为了有效提取心电信号(ECG)的时空特征和提高分类准确性,提出基于深度学习的并行架构心电分类模型.该模型采用基于GCA Block和GTSA Block模块实现多路特征融合的时空注意力机制.使用双向长短时记忆网络和卷积神经网络作为基特征提取器,分别捕捉心电信号序列数据的前后依赖关系和不同尺度上的局部相关特征,实现对5种不同类型的心电信号的自动分类.在MIT-BIH数据集上验证的结果表明,该方法对5种不同心电信号的总体分类准确率、特异性、敏感度、精确度和Macro-F1分别为99.50％、99.61％、96.20％、98.02％和97.08％.相较于其他心电分类模型,该模型不仅能够有效地缩短网络模型深度,防止模型过拟合,而且能够更准确地提取心电信号的时空特征,获得更好的分类性能.
文献关键词：
心电分类;数据不平衡;深度学习;并行架构;时空注意力机制
中图分类号：
作者姓名：
彭向东;潘从成;柯泽浚;朱华强;周肖
作者机构：
江西财经大学软件与物联网工程学院,江西南昌 330032
文献出处：
引用格式：
[1]彭向东;潘从成;柯泽浚;朱华强;周肖-.基于并行架构和时空注意力机制的心电分类方法)[J].浙江大学学报（工学版）,2022(10):1912-1923
A类：
GTSA
B类：
并行架构,时空注意力机制,心电分类,分类方法,有效提取,取心,心电信号,ECG,时空特征,分类准确性,分类模型,GCA,Block,多路,特征融合,双向长短时记忆网络,基特,序列数据,依赖关系,不同尺度,局部相关,自动分类,MIT,BIH,分类准确率,Macro,他心,短网,模型深度,过拟合,分类性能,数据不平衡
AB值：
0.34135
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
