典型文献
基于1D CNN—BiLSTM网络联合集成学习的心律失常智能诊断系统
文献摘要：
为提高心律失常智能诊断的准确率,本研究提出了一种多网络融合模型和Stacking集成学习算法,用于八种心律失常疾病的智能诊断.使用1 D CNN—BiLSTM融合网络提取单导联信号的高维特征和时域相关性特征,将十二个导联的心电信号特征融合,得到高维的特征张量,采用Stacking集成学习算法训练得到泛化性更好的诊断模型.通过比较准确性、精确性、召回率、F1-Score四个诊断性能指标,验证了利用十二导联融合特征作为最终诊断特征,准确率有显著提升,且Stacking集成学习算法较单一机器学习算法有更好的性能.本研究通过将机器学习、神经网络、集成学习算法有效结合,训练得到的心律失常智能诊断模型有较高的准确率,为基于心电信号的心律失常智能诊断提供了一种新方法.
文献关键词：
心律失常诊断;多导联信号;小波软阈值去噪;多网络联合;轻量级CNN;集成学习框架
中图分类号：
作者姓名：
张明伟;张天逸;程云章
作者机构：
上海理工大学健康科学与工程学院,上海200093;上海介入医疗器械工程技术研究中心,上海200093
文献出处：
引用格式：
[1]张明伟;张天逸;程云章-.基于1D CNN—BiLSTM网络联合集成学习的心律失常智能诊断系统)[J].生物医学工程研究,2022(03):259-267
A类：
导联融合,多导联信号,多网络联合
B类：
1D,BiLSTM,合集,智能诊断系统,多网络融合,融合模型,Stacking,集成学习算法,八种,融合网络,高维特征,时域相关,十二个,心电信号,信号特征,特征融合,张量,算法训练,练得,泛化性,精确性,召回率,Score,诊断性,十二导联,融合特征,诊断特征,机器学习算法,有效结合,智能诊断模型,心律失常诊断,小波软阈值去噪,轻量级,集成学习框架
AB值：
0.320343
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。
