Abstract：
针对传统心电信号(ECG)分类中卷积神经网络(CNN)模型的细节特征缺失问题,使用多支路的CNN提取更深层次的特征.考虑到ECG具有时序性的特点,融合双向长短时神经网络(BiLSTM)模型,提出一种基于BiLSTM和多分支CNN的分类方法.该方法先对数据库的心电数据进行心拍分割,然后送入有3条分支的CNN和BiLSTM组成的网络模型进行训练,最后对模型在测试集上进行评价.实验结果表明:该方法的分类效果良好,在对S和V类分类上优于其他深度学习方法.
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
机械制造与自动化
ISSN： 1671-5276
CN： 32-1643/TH
Year： 2022
Issue： 6
Volume： 51
Page： 102-105
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 12
Affiliated Colleges：
