一种计算高效的混合方法用于基于心电图的心律失常预测方法

摘要

本研究模型旨在将多个数据库的心电图（ECG）数据集中早期心律失常分类为五种主要心跳类型。与其他模型相比，该模型在准确性、灵敏度、精度和召回率方面表现更佳。

摘要

心血管疾病，尤其是心律失常，是全球主要的死亡原因之一。这凸显了需要自动化系统，能够及早检测和诊断这些疾病。本研究引入了一种深度学习模型，利用心电图（ECG）信号识别心律失常。该模型主要关注五种心跳类型：正常（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、心房早发性心动（A）和早发性心室收缩（V）。该系统使用来自多个数据库的Lead I信号，包括MIT-BIH心律失常、心肺上性心律失常、INCART 12导联和猝死性心电平原。这提供了超过390万个培训单元和112,575个测试单元。

数据通过将数据划分为固定窗口，每段180个样本，使用最小极大归一化进行缩放，并用合成少数族裔过采样技术平衡类别进行预处理。该模型结合了一维卷积神经网络以提取空间特征，并结合变换器层以捕捉基于时间的模式。它使用 Adam 优化器，并包含丢弃和批处理归一化以提升性能。该系统在所有级别中均实现了99.99%的准确率、精度和F1成绩，优于TN4型号及其他高性能车型。卷积神经网络和深度混合架构的使用提升了特征的稳健性。该模型展现出可扩展且实时的心律失常检测巨大潜力，推动人工智能驱动的个性化数字医疗的发展。

引言

心血管疾病是导致人类健康问题的最重要原因，每年有超过1700万人死亡。世界心脏联合会指出，近四分之三的心血管疾病（CVD）病例生活在低收入国家。心电图（ECG）捕捉心脏去极化产生的电活动。电信号传播到皮肤。心电图信号至少传递两条重要信息。其中之一是健康相关的生物医学。另一个是与个人相关的资质或生物识别。由于其简单性，人们曾考虑过多种心电图信号分类方法，包括自制方法和机器学习方法。手动方法既耗时又效率低下。它需要实时信号，如心电图和庞大的计算机基础设施。机器学习方法可能比手动方法获得更低的括号准确率，但需要合适的算法来降低未检测到心律失常^的风险。

最常见的心血管疾病是心律失常，即心跳模式异常的状况。这些异常模式必须被归类为不同类别，因为这类信息会影响治疗。心电图被广泛用于检测异常心脏模式和预测心脏病，从而实现早期发现。心律失常的诊断主要依赖心电图，这是一种重要的医疗设备，用于记录心脏兴奋性、传递信号和监测恢复情况。心电图在现代医学中是必要且可靠的。心电图信号解读的自动化大大提升了临床实践水平，并提高了患者安全。心律失常是指心律和模式异常。人工智能，尤其是机器学习，是疾病预测和舆论分析的极佳工具，尤其是在心血管疾病^方面。

医院通常用于临床目的，包括病历等不同的医疗数据。医疗数据也可以及时生成，以支持机器学习算法的优化。机器是在一个数据集上训练的，最终数据集会从中学习。一旦训练完成，它可以根据病例记录的不同属性来识别和分类。机器还可以检测到数据中的模式，这些模式由于时间不足或资源有限，人类可能难以察觉。已采用多种方法来分类心电图信号，包括K最近邻（KNN）、支持向量机（SVM）、神经网络（NN）、决策树、线性判别分析（LDA）和贝叶斯分类器。SVM被认为是分类心电图信号以检测心律失常最有效的监督学习算法之一^，5,6。

使用神经网络和多层感知器（MLP）的良好托槽模型优于其他传统方法。深度学习算法如人工神经网络（ANN）已被成功应用于信息检索、图像识别、物体检测和语言处理等任务。CNN被广泛用于研究，从心电波形中提取风格特征并进行剖析，用于多种目的，例如发现QRS复合体和ST段或^P波^7,8。1D CNN学习检测心电图信号中最相关的特征，并将其分类为五种心律失常类型。应用了基线游离和高频噪声去除滤波器以提升信号质量。这将心律失常分为五大类 ^9,10。

如 图1所示，P波、QRS复合波和T波是心电图的重要组成部分。P波代表心房去极化，即导致心房收缩的电活动。QRS波段反映心室去极化;正是电信号触发了心室收缩。T波表示心室再极化，即心室收缩后的恢复阶段。这些波共同构成了一个完整的心脏周期。它们对于理解心脏如何运作以及诊断^{心脏问题至关重要}。

所有这些波代表一个心脏周期。它们对于理解心脏工作原理和诊断心脏疾病极为重要。近年来，深度学习模型在计算机辅助医疗信号解读（包括心电图信号）方面取得了显著进展。传统的手工打造的基于特征的机器学习模型在不同患者群体中存在可扩展性和适应性问题。为应对这些挑战，深度模型如CNN和结合CNN与LSTM等循环模型的混合模型出现，能够自动从原始心电图信号中学习相关特征。这大大提高了分类准确性¹².

本研究提出了一个深度学习框架，将心电图信号分为五类心跳：正常（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、心房早发搏动（A）和早发性心室收缩（V）。为训练模型，我们利用公开的心电图数据集，如MIT-BIH心律失常数据库和室上数据库。这些数据集经过预处理并划分为固定长度的段进行分析。由于类别失衡是心律失常数据中的常见问题，我们采用合成少数过采样技术（SMOTE）来平衡训练数据。这确保模型能有效从所有类别中学习，并提高对不同类型心跳分类的准确性。

该方法借鉴了心电图分类的最新进展，包括使用连续小波变换（CWT）和卷积神经网络架构的模型，同时采用标准卷积神经网络和包含变压器层的混合模型。通过结合用于空间特征提取的CNN和用于捕捉时间依赖性的变换器，该系统实现了高精度，F1级精度和所有类别的精度接近100%，^13,14。

“空间特征”指的是与某物位置或位置相关的特征，如距离、方向和形状。另一方面，“时间特征”描述与时间相关的元素，如事件发生的时间、持续时间或事件顺序。本质上，“空间”意为“空间”，“时间”意为“时间”。

本研究的主要目标是开发一个准确、可扩展的实时心律失常检测模型，并支持医疗领域人工智能驱动诊断领域的扩展。该系统在实时监测方面展现出潜力，能够为有心脏事件风险的患者实现早期发现和干预。

这项研究的目标多方面。首先，本技术旨在将心律失常分为五类：正常（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、心房早发性搏动（A）和早发性心室收缩（V）。其次，本研究旨在构建一个混合的CNN和变压器模型，能够在不进行预处理的情况下，从心电图信号中学习形态和时间信息¹⁵。第三，该技术旨在提供一种面向性能、可实时实现的解决方案。第四，本研究旨在展示所提模型相较于最先进模型在准确性和敏感度上的提升^16,17。

此外，图卷积网络（GCNs）被引入用于生物医学预测任务，用于建模结构化图中生理因素之间的相互作用，未来考虑导联间依赖性的心律失常分类模型中可能发挥作用。

方案

伦理声明
本研究完全依赖于从PhysioNet下载的公开匿名心电图数据。本研究中使用的所有数据集最初均在受试者同意并经相关数据所有者伦理批准下收集。该研究无需任何数据收集、对人体或动物受试者的实验工作，也不需要患者个人身份信息。因此，没有要求额外的伦理审查。

方法论
图2 展示了拟议架构的工作流程。

数据收集
心电图数据来自PhysioNet数据库，这是一个流行的生理信号存储库。从数据库中检索多个数据集。这些数据集合并为一个包含不同心电图信号类别的主数据集。

使用的数据集
本研究利用多个公开的心电图数据集，开发并评估了用于心律失常分类的深度学习模型。这些数据集的选择经过谨慎，考虑了患者群体多样性和心律失常类型的多样性，以确保所提出模型在不同情景下表现^良好。本研究仅合并了来自MIT-BIH心律失常数据库、MIT-BIH上室性心律失常数据库、圣彼得堡INCART12导联心律失常数据库和猝死性心电平板数据库的Lead-I数据。这些数据集以其高质量、带注释的心电图记录著称，涵盖了广泛的心律失常类别。

上述合并数据集包括患者人口统计、记录设备、抽样频率和环境。上述模型的变异性通过使其暴露于广泛的心电图形态、噪声和节律，从而提升了其推广性。

数据集描述
MIT-BIH心律失常数据库
MIT-BIH心律失常数据集包含48个半小时心电图记录，编号为100-234。每条记录包含以每秒360个采样速度数字化的双通道心电图信号。数据以.dat、.hea和.atr格式存储。

MIT-BIH室上性心律失常数据库
这是MIT-BIH数据库的一个特定子集。MIT-BIH心室上性心律失常数据库包含78段全长心电图记录，时长从30分钟到数小时不等，编号为801-811。每条记录包含双通道心电图信号，以每秒128个采样的速率转换为数字形式。

圣彼得堡INCART十二导联心律失常数据库
该数据库包含来自32台霍尔特监测仪的75条注释录音。每段录音时长30分钟，包含12个标准主线，每个以257赫兹采样。信号强度在每毫伏250到1100个模数转换器单位之间波动。

不可预见心脏死亡Holter数据库
该数据集是众多开放获取的霍尔特记录之一，记录了室性心动过速（VT）和室颤（VF）的真实情况。这两种情况都可能导致意外的心脏死亡。每张唱片时长24小时，采样频率为250赫兹。

数据预处理
本研究使用了四个采样率不同的公共心电图数据库：MIT-BIH心律失常（360 Hz）、MIT-BIH室上性心律失常（128 Hz）、圣彼得堡INCART 12导联（257 Hz）和猝死心脏死亡霍尔特（250 Hz）。为确保所有数据一致且可在模型训练时合并，所有心电图信号均被重新采样至360 Hz的统一频率，该频率与MIT-BIH心律失常数据库一致，且常被用作心电图研究的标准。重采样通过带限制插值进行;最初，心电图信号经过低通滤波以防止混叠，随后采用基于 sinc 的重建核进行插值，最后在 360 Hz 进行最终重采样。重新采样后，每个信号被划分为180个样本窗口，约相当于0.5秒的数据，确保所有数据集的时间分辨率相同。这种标准化使得来自不同数据库的信号能够结合进行训练和测试，帮助模型随着时间学习一致的模式。

预处理包含几个重要步骤以确保输入数据质量：
数据分割：
重新采样后，每个心电图信号被划分为固定长度的窗口，每组180个样本。这对应于采样率360 Hz时信号持续时间约0.5秒。本研究使用固定且不重叠的滑动窗口进行分割。每个窗口收集连续的心电图样本序列。研究选择180个样本窗口，因为0.5秒的间隔足以捕捉完整的心脏周期或其主要部分：P波、QRS复合体和T波，适用于典型成人心率。每个段子根据段中心的注释被分配类别标签。这样，分段标签就能与窗口内的主要心跳形状匹配。滑动窗口法，应用了以下分割函数：

其中 s_i 是时间 i 的心电图样本 。

归一化：
用最小最大缩放法对分段心电图数据进行归一化，确保所有特征值在0到1¹⁰之间。

这一步有助于加快模型在训练中的收敛速度。

SMOTE的类别平衡
心电图数据集中正常（N）次心搏远超异常心跳类别，显示出显著类别失衡。经过分割、归一化和训练-测试拆分后，训练数据集采用了合成少数族裔过采样技术（SMOTE）以解决该问题。

每个心电图段使用180维特征空间表示，包含180个归一化样本。SMOTE利用欧几里得距离确定每个少数群体样本在其自身类别内的k个最近邻（k=5）。SMOTE仅应用于训练数据，训练数据通过分层抽样分为70%训练和30%测试集。这样，检测集中没有添加人工样本，确保测试结果不受过度采样过程的影响。测试数据保持不变，保持了原始类别分布，仅用于公平评估模型。因此，本研究的高效能结果显示了模型真正的泛化能力，而非因过度拟合或增加样本导致分数膨胀。

列车测试分配：
经过预处理和分类过滤后，数据集被分层随机抽样以70%–30%的比例分为训练和测试子集。这种分层基于类别标签，以确保训练和测试集中每个心跳类别的相对比例得以保持一致。

该分裂使用随机种子进行以保证可重复性。每个心电图片段都只出现在训练组或测试集中。为避免偏置和数据偏差，所有可能影响数据分布的预处理步骤（即通过SMOTE进行类平衡）均仅在拆分后且仅针对训练数据执行。

在这方面，通过保持类别比例、使用随机分层以及严格将样本分为训练集和测试集，拆分过程降低了样本中偏差的可能性，使性能指标能够反映模型的概括性，而非数据特定的残差。

数据集拆分与类别分布
最终数据集分为训练集和测试集，70%用于训练，30%用于测试。应用SMOTE后，班级失常现象得到减少，确保每种心律失常类型在训练和测试集中均有良好代表性。共使用3,966,620个心电图段用于训练，112,575个心电图段用于测试。大量数据，加上多样的心律失常类型，使得能够有效识别现实心电图信号中不同心律失常类型的模型得以建立。本研究利用深度学习模型对心电图心律失常进行分类。五种心跳类型，即正常（N）、左束支阻滞（L）、右束支阻滞（R）、心房早发性心动（A）和早发性心室收缩（V），均根据MIT-BIH心律失常数据库中提供的标准心拍注释及AAMI心电图心拍注释指南的选择。这里提到的五个心拍注释都涵盖了属于心律失常广义类别的重要心脏疾病，并且在心电图信号中围绕P波、QRS波和T波表现出独特的波形特征。

此外，这些类别在公共心电图数据库中是最常见且标注一致的，使得与其他基于心电图的心律分类方法相比，更容易测试其有效性。数据集采用跨患者方法进行分割。这种设置确保了单个患者的心电图片段不会同时出现在训练和测试集中。一旦发生分裂，SMOTE仅应用于训练集。测试组没有合成样本和重复的时间窗口。所有这些有助于避免节段层级的重叠，并在处理之前未曾见过的患者时实现真正的推广。

SMOTE前后班级分布：
原始数据集存在明显的类别间不平衡，正常（N）节拍数量较多，异常类别样本较少。使用SMOTE之前，训练数据中约有133,320个正常（N）、8,075个左束支传导阻滞（左束支传导阻滞）、10,431个右束支阻滞（R）、4,489个心房早发性心跳（A）和60,682个早发性心室收缩（V）段。为解决不平衡，SMOTE仅应用于训练集，增加少数群体的样本数量以匹配多数群体。扩充后，每个班级共有793,324个心电图段段，总计3,966,620个心电图段段用于训练。测试集包含112,575个片段，保持了原始的类别分布，且未被过度采样。这种方法确保了对模型表现的公平和无偏见评估。

训练与推断
通过测试配备6GB内存的NVIDIA RTX 3050显卡的训练和推理性能，考察了计算效率。训练过程大约耗时3.2小时，持续60个纪元。推理延迟平均为每180个采样段0.45毫秒，这使得实时使用成为可能。GPU内存使用峰值达到4.2 GB，且该型号参数仅有180万个，因此相比大多数基于变压器的心电图系统，显得轻量级。

训练和推断过程包括以下步骤：
训练设置：定义了学习率、批次大小和历元等训练参数。
模型训练：CNN-Transformer模型基于训练数据进行训练。
验证：训练后，检查模型的验证准确性和损失。如果性能良好，模型会被保存。如果性能不佳，流水线会重复使用不同的训练参数，回到参数设置步骤。

模型架构
整个CNN-变换器结构包含四个主要部分：卷积特征提取、投影层、变换器编码器，以及分类头。卷积块从一个一维卷积层开始，包含32个滤波器，核大小为3，步幅为1，填充为1，随后是ReLU。它通过最大池化（核大小2）来减少信号的时间分辨率。在第一个卷积层之后，还有一个包含64个滤波器的卷积层，同样的内核大小为3，步幅1，填充1，ReLU再次，还有另一个最大池，大小为2。所有这些输出被平整化，经过一个线性投影层，将特征映射到128维嵌入空间，然后输入变换器^18,19。

变压器模块有两层编码器，每层多头自注意，使用4个磁头捕捉心电信号中的长距离依赖。每层中都有一个按位置方向前馈的网络，隐藏尺寸为256，dropout为0.5，以帮助过拟合。每个子层结束后进行层归一化，稳定训练。

对于分类头来说，是一个全连通层，从128降到64，然后是ReLU，再降到0.5。输出层有五个神经元对应心律失常类别，Softmax用于获取概率。

一维卷积神经网络（CNN）模块：
CNN块由两个一维卷积层组成，每个层后面跟着一个ReLU激活层和一个最大池化层。这些层有助于识别输入心电图信号中的空间关系。为增强特征提取，每个CNN层的转换步骤后会应用额外的ReLU激活函数。

第一卷积层：该层对输入信号使用32个滤波器，每个滤波器大小为3。该过程可以写成：

      

其中y_i 为输出，w_j 代表滤波器的权重，x_i+j 为输入段，b为偏置项，σ为激活函数（ReLU）。最终的特征映射会经过ReLU激活层以增加非线性性：

池化层：每次卷积操作后，会应用最大池化步骤，将空间维度减半。该过程定义为：

这有助于保留最重要的特征，同时降低计算负担。

第二卷积层：该层使用64个大小为3 x 3的滤波器处理前一层的特征图，使模型能够检测更复杂的模式。卷积完成后，应用ReLU激活函数以引入模型中的非线性。

这一步确保模型能够从心电图信号中捕捉到详细的模式。

额外激活层：在卷积过程的每一步后应用ReLU激活，帮助网络更好地捕捉复杂模式，确保模型聚焦于积极激活。

平整过程：第二次最大池化操作后，特征映射被压平为单一向量，输入变换器块。

变压器模块：
变压器模块由两层多头自关注组成，帮助模型理解心电信号不同部分随时间的关系。多头自我关注通过观察序列中的每一对元素来发挥作用。对于查询Q、键K和值V的序列，注意值计算为：

这里，dk 是关键向量的维数，确保尺度不变。

前馈层：每个自注意力输出都经过一个完全连接的前馈网络，激活ReLU，随后进行层归一化。此步骤细化提取的时间特征：

其中 W1 和 b1 是前馈层的权重和偏置。

批优先表示：变换器以批处理布局中的序列，确保与卷积神经网络模块输入格式的兼容性。

全连通（稠密）层：
经过变压器模块处理后，输出序列被平整，然后通过两层完全连接的层进行分类。第一个全连通层将输入向量转换为128维特征空间，并在此过程中重塑其形态。

其中 W 是权重矩阵，x 是输入向量，b 是偏置向量。应用ReLU激活层：

随后加入速率为0.5的dropout层以防止过拟合。

第二层全连通层：最后一层将128维特征映射到心跳类别的数量（例如，心律失常检测有5个类别）。输出会通过log-SoftMax函数计算对数概率：exp（习）

混合CNN-变换器模型
所展示的模型是一种混合深度学习模型，结合了卷积神经网络和变换器的优势，同时使用空间和时间表征。这种架构特别适合处理复杂的长序列数据，如生理信号。

该方程表示输入表示，其中N = 采样数，T = 时间步数，d = 每个时间步的特征维度。

该方程表示位置嵌入，其中 pos = 序列位置;i = 嵌入维数指数。

CNN模块——局部特征提取
CNN高效地学习局部依赖性和形态模式，如连续数据中的峰值、斜率或尖峰。卷积层使用输入张量 的空间范围核。每个输出通道m由以下方式决定：

= 输入通道数量;K = 核的大小;W = 滤波器权重;b = 偏置

ReLU 函数
在这种情况下，表示 可学习权重， 是 通道mA的偏置，应用非线性激活，类似整流线性单位（ReLU）：

池化与特征压缩
池化层降低了特征图的空间或时间维度，保留了重要特征并减少了计算负担。在最大池化时，窗户大小 和步幅为 s，该位置 的池化特征为：

池化后的输出长度

其中 是输入长度;步幅定义了滑动池窗的步长。该公式计算出在池化操作（例如最大池化）后特征图的输出长度。它会根据输入长度、池大小和步幅计算特征图的缩减程度。将多维特征映射转换为全连通图层的矢量。

变压器编码器——捕捉长距离依赖关系
变换器利用自我注意力学习序列中的长距离时间依赖性¹⁷。

缩放点积注意力

Q、K、V 是通过学习投影计算的查询、键和值矩阵; 是用于点积扩展的关键维度。

多头注意力

每个头独立计算注意力;输出被串接并线性变换。 是每个头的学习投影矩阵。 是连接^18,19后的最终投影权重_。

最终预测与损失
全连通层将特征映射到logits，然后利用激活函数转换为预测。经过一些卷积层和池化层后， 被压平成向量 。全连通层计算Logits：全连通层随后计算类logits：

Sigmoid/Softmax激活：

激活函数将模型的原始输出“z”映射为概率。Sigmoid应用于二元分类，Softmax用于多类问题，用于类别间概率分布。z 是线性输出（例如，最后一层：z = Wx + b）。输出ŷ介于（0， 1）之间，表示概率^为20。

培训流程
培训在具备以下硬件规格的系统上进行：
处理器：AMD Ryzen 7 7840HS
CPU内存：16GB
GPU 内存：6 GB NVIDIA GeForce RTX 3050

模型使用Adam优化器训练，该优化器根据梯度的第一和第二矩调整训练过程中的学习率。亚当的更新规则如下：

在此设置中，m^t 和v^t 分别代表第一和第二矩估计，α为学习率，ε为防止除以零的小常数。模型训练了60个纪元，并提前停止以防止过拟合。使用了1024的批处理规模，训练数据通过PyTorch的数据加载器加载到模型中。引入了退出和批次归一化，以规范模型并加速收敛。退出是一种正则化方法，在训练过程中随机关闭一定比例的神经元，有助于减少过拟合。数学上，令 zi^{表示第 i} 个神经元的激活。在训练阶段，修正激活z'的计算方式为：

其中p是退出率（例如，50%退出率时p = 0.5）。在推理过程中，不应用中断，使用整个网络。

神经网络中的趋同是一个显著影响医疗领域现有分类体系的问题，尤其是在诊断因收敛不足而不一致时。关于预定义时间优化方法和固定时间收敛的最新研究表明，对于所有初始状态，仍然可以训练出在固定迭代次数内收敛的模型。基于该模型的未来模型可以包含预定义时间优化。

批量归一化：
批次归一化通过规范化每个层的输入，稳定并加快训练进程。给定一个迷你批次激活 x = {x₁， x₂， . . .，_{x N}}，批量归一化输出 x_i 。计算公式为：

其中μ^B和σ^B2分别是批次的平均值和方差，ε是一个用于数值稳定性的小常数，γ和β是可学习的参数，用于调整和调整归一化值。批次归一化有助于减少内部协变量位移，并使得使用更高的学习率成为可能。这些技术结合Adam优化器，通过减少过拟合和提升收^敛速度，确保训练稳健。

图3显示了机器学习模型训练过程中历代验证损失和验证准确率。验证准确率（蓝线，右Y轴）起初较低（约97.5%），并在前10个纪元内迅速提升。它持续改善，经过约20个时代后达到约99.7%至99.8%的水平。这表明模型在验证集上很好地学习并应用了知识。验证损失（红线，左纵轴）起初较高，随后在最初几个纪元（约2到3个纪元）内急剧下降至接近零。之后，它在训练剩余时间里几乎保持在零水平，^23,24。

结果

本节介绍了一个混合深度学习模型，旨在从心电图数据中分类心律失常。该模型评估其识别五种临床意义显著心跳分类的能力：心房早发收缩、正常、左束支阻滞、右束支阻滞和早发性心室收缩。鉴于这些心律失常类别的临床相关性以及数据集不平衡和信号变异带来的挑战，全面评估至关重要。

在数据收集阶段的第一步预处理阶段，收集了MIT-BIH心律失常数据库、MIT-BIH室上性心律失常数据库、圣彼得堡INCART 12导联心律失常数据库和心脏猝死Holter数据库中的所有Lead I数据集，如图4所示。这些数据集包括高质量、带注释的心电图记录，涵盖了广泛的心律失常类型。每位患者的全部信号被划分为连续的180毫秒段，每个段根据其类别标注标记。对于每位患者，总片段计数通过将总信号持续时间（毫秒）除以180，向下取整至最接近的整数计算得出。所有Lead I数据被合并成一个主数据集，即AllData.csv。该主数据集包含所有类别。

讨论

在识别和分类心电图生物信号中的心律失常时，提出的深度学习混合模型结合了变换器结构和一维卷积神经网络（CNN），表现出优异的性能。这种组合利用了变压器通过自关注机制学习全局时间依赖性的能力，以及CNN从原始心电波形识别局部空间特征的能力。该模型使用五个重要心跳类别进行测试：正常、左束支传导阻滞、右束支阻滞、心房早发收缩和早发性心室收缩。

CNN-Transformer模型始终优于包括孤立的CNN、CNN-VAE（变分自编码器）和TN4架构在内的基线模型。该研究基于使用F1评分、回忆、准确性、精度、敏感性和特异性等性能指标进行的全面分析。混淆矩阵表明，该模型在L、R和V类别中表现出色，错误分类极少，且在五个类别中准确率极高。值得注意的是，21,797例正常类别的准确预测，几乎没有误分类到其他类别。A组也有21,918个正确预测，尽管与N组有重叠。这种重叠很可能源于窦性心律与心房异位心搏的解剖学相似性，尤其是在它们有噪音或低振幅时。

分类报告证实了这些结果，显示所有...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
亚当·优化者	开源（PyTorch）	https://pytorch.org/docs/stable/optim.html	优化算法，用于通过在反向传播过程中调整学习率来训练深度学习模型。
硬件（计算系统）	AMD;NVIDIA	https://www.amd.com/en/products/processors/laptop/ryzen/7000-series/amd-ryzen-7-7840hs;https://www.nvidia.com	处理器：AMD Ryzen 7 7840HS;CPU 内存：16 GB;显卡：NVIDIA GeForce RTX 3050（6GB 显存）。用于模型训练和评估。
不平衡学习	不平衡学习	https://imbalanced-learn.org	用于合成少数族群过采样技术（SMOTE）类平衡的Python库。
Matplotlib	Matplotlib	https://matplotlib.org	用于绘制心电图信号、混淆矩阵和表现图的Python库。
PhysioNet心电图数据库	物理网	https://physionet.org	研究中使用的公开心电图数据集，包括MIT-BIH心律失常、MIT-BIH上室性心律失常、INCART 12导联和猝死性心电退Holter数据库。
PyTorch	PyTorch	https://pytorch.org	Python 深度学习框架用于实现卷积神经网络（CNN）和变压器模型、训练流水线和推理。
蟒蛇	Python 软件基础	https://www.python.org	用于数据预处理、模型开发、训练和评估的编程语言。
海本	海本	https://seaborn.pydata.org	Python 数据可视化库，用于统计图和结果可视化。
WFDB	WFDB	https://wfdb.readthedocs.io	Python 软件包，用于读取、写入、处理和绘制 PhysioNet 数据库中的生理信号和注释。