基于深度学习可分析标签相关性的心电信号分类

心血管疾病是全球主要死因之一，及早发现心脏病的风险因素对于预防猝死至关重要，基于心电图的心律失常自动检测是心脏病筛查的重要手段，对降低心脏病死亡率至关重要。临床上同一患者可能同时出现多个心电异常类型，因此，解决心电图数据中多标签问题且考虑标签关系显得尤为关键。本文提出了一个可分析心电图多标签相关性的卷积神经网络分类模型，该模型包含三个模块：空间特征提取模块，卷积神经网络作为基础架构，用来提取心电图的特征；标签与特征相关性嵌入学习模块，用于探索标签之间的相关性，并将标签与特征相关性嵌入信息融合到特征空间中；解码器模块，用于预测相应心律失常类别。为解决样本不均衡，采用非对称损失函数平衡正负标签。通过对两个心电数据集进行实验，实验结果显示，本文提出的模型相较于现有心电图分类方法，表现更优异。

心电图(Electrocardiogram，ECG)是一种常用的非侵入性方法，用于评估心脏的电活动。通过分析心电图信号，医生可以诊断心脏疾病、监测心脏功能以及预测心血管事件的风险，然而，传统的心电图分类方法通常需要依赖专业医生对心电图进行解读。

近年来，深度学习技术的迅猛发展为心电图分类带来了新的机遇，深度学习模型，尤其是卷积神经网络(Convolutional Neural Networks, CNN)和循环神经网络(Recurrent Neural Networks, RNN)， 在图像和序列数据处理方面取得了显著的成功，这些模型可以自动学习特征表示，并通过大规模的心电数据集的训练来提高模型的分类性能。利用深度学习模型进行心电图分类具有许多潜在优势。首先，深度学习模型能够从原始的心电图信号中提取抽象的特征表示，无需手动设计特征工程，减轻了人工干预的负担。其次，深度学习模型可以通过端到端的训练方式直接从数据中学习分类规则，避免了繁琐的手动规则制定过程。此外，深度学习模型具有较强的泛化能力，可以处理不同心电图类型、噪声和干扰等情况，并具备适应新数据的能力。

基于深度学习的心电图分类模型都取得了不错的分类效果，Ge 等人提出了一种算法，将残差卷积模块和挤压激励注意力机制模块结合起来，从原始心电图信号中提取特征[1]。Yao 等人在其研究中提出了一种名为时间增量卷积神经网络(TimeIncremental Convolutional Neural Network, TI-CNN)的方法，旨在为心电图模型提供更大的输入长度灵活性[2]。后来，他们提出了一种名为基于注意力的时间增量卷积神经网络的新模型(Attention-based Time-Incremental Convolutional Neural Network, ATI-CNN)，以TI-CNN 作为参考，通过整合CNN、循环单元和注意力机制模块，实现了对心电信号信息的空间特征和时间特征的