11、基于深度学习架构的心律失常分类模型研究

基于深度学习架构的心律失常分类模型研究

1. 引言

心血管疾病（CVDs）是严重威胁人类健康的疾病，也是全球死亡率上升的重要原因。在全球所有死亡案例中，31%归因于心血管疾病。其主要成因包括高血压、不健康饮食、吸烟和不良生活方式等。2019年，心脏病发作导致1790万人死亡，其中大部分发生在中低收入国家。在印度，心血管疾病的死亡率约为0.27%。有研究表明，健康的生活方式可预防90%的心血管疾病。

为了能及时治疗大量患者并有效降低死亡率，构建一个能对心电图（ECG）上不同心律失常进行分类的深度学习模型十分必要。

2. 背景知识

• 心脏与心脏病 ：心脏是负责向人体各部位供血的肌肉器官。冠状动脉堵塞会导致心脏病发作，这是一种重大健康风险。
• ECG信号 ：正常ECG信号的P波和QRS波群分别代表心房和心室的去极化/收缩，T波代表心室复极化。ECG数据可用于诊断多种心血管异常，如房性早搏（PAC）、心肌梗死（MI）、心房颤动（AF）、室性早搏（PVC）、充血性心力衰竭（CHF）和室上性心动过速（SVT）等。
• 分析方法对比 ：近年来，如Holter监测仪、Apple Watch等便携式设备的快速发展，为研究人员和心脏病专家提供了大量ECG数据。自动可靠地分析ECG数据成为热门研究课题，且ECG数据还有如睡眠分期和生物特征识别等创新应用。处理这些大数据集需要高效方法，因此机器学习和深度学习算法被应用其中。传统机器学习方法需要专家（人类心脏病专家）从原始数据中提取特征，再用机器学习模型或决策规则生成