期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
ResLSTM-TemporalSE:多导联心电信号的自动分类
1
作者 渠梦 傅蓉 《南方医科大学学报》 北大核心 2025年第12期2708-2717,共10页
目的 针对12导联心电信号(ECG)自动分类任务,提出一种高效的深度学习模型,以提高分类准确率。方法 设计了一种新型的ResLSTM-TemporalSE网络模型。该模型采用多层残差长短期记忆网络(ResLSTM),在LSTM层间引入跨层跳跃连接,构建时序特征... 目的 针对12导联心电信号(ECG)自动分类任务,提出一种高效的深度学习模型,以提高分类准确率。方法 设计了一种新型的ResLSTM-TemporalSE网络模型。该模型采用多层残差长短期记忆网络(ResLSTM),在LSTM层间引入跨层跳跃连接,构建时序特征的残差学习路径,并在传统压缩-激励模块(SE)中引入时序注意力机制,增强通道表达能力的同时捕捉ECG信号的时间依赖性,构建一个高效的多层次特征表达框架。该模型在CPSC2018数据集和南方医科大学第七附属医院私有数据集进行验证。结果 模型在CPSC2018测试集上分类准确率达到99.70%,精确度、召回率和F1值分别为0.9966、0.9370和0.9653,在临床私有数据集上分类准确率达到82.77%,精确度、召回率和F1值分别为0.6811、0.8961和0.7723。通过消融实验验证残差连接与时序注意力模块对模型性能的贡献。结论 ResLSTM-TemporalSE模型能够有效融合ECG信号的时空特征,在CPSC2018数据集上表现出卓越的分类性能,同时在真实临床环境中保持较强的泛化能力,为心电信号的自动分析提供了可靠的技术方案,具有潜在的临床应用价值。 展开更多
关键词 心电信号分类 深度学习 残差网络 长短期记忆网络 压缩激励模块 reslstm-temporalse
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部