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：
Source ：
机械制造与自动化
Year： 2022
Issue： 06
Volume： 51
Page： 102-105
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 3
Affiliated Colleges：
