典型文献
基于注意力机制的可解释心律失常分类模型
文献摘要：
心律失常是心血管疾病中常见的临床表现形式,实现心律失常的自动分类在医学领域具有重要意义.在实际临床中,医生除了提供诊断结果,还要有详细的解释来支持自己的诊断,但是现有的大多数机器学习模型都忽略了结果的可解释性.同时,之前大部分研究致力于宏观分类,实际临床意义不大.为了解决这些问题,提出了一种可解释的基于注意力的混合深度学习模型(IAHM).IAHM通过分别提取心拍级别和心律级别的注意力特征,将医学知识和心电数据相结合,使学习的模型具有高度的可解释性.实验在公开数据库MIT-BIH上进行,对五种心律失常分类以弥补宏观分类的短板.IAHM在准确率、特异性、敏感性和阳性预测值分别达到94.65％、98.69％、92.69％和92.60％,有助于临床医生对心律失常进行准确分类.
文献关键词：
心律失常分类;注意力机制;卷积神经网络;可解释性;长短期记忆网络
中图分类号：
作者姓名：
罗望成;杨湘;陈艳红
作者机构：
武汉科技大学 计算机科学与技术学院,湖北 武汉 430065;武汉亚洲心脏病医院,湖北 武汉 430022
文献出处：
引用格式：
[1]罗望成;杨湘;陈艳红-.基于注意力机制的可解释心律失常分类模型)[J].计算机技术与发展,2022(09):114-120
A类：
IAHM
B类：
注意力机制,心律失常分类,分类模型,心血管疾病,自动分类,医学领域,诊断结果,机器学习模型,可解释性,混合深度学习模型,取心,医学知识,心电数据,MIT,BIH,阳性预测值,临床医生,长短期记忆网络
AB值：
0.207509
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。
