科学家提出了多级心律失常检测神经网络

用于心律失常检测的自动心电图（ECG）分析在早期预防和诊断心血管疾病中起着关键作用。

由于变化异常节奏和噪声分布，从原始ECG信号中提取强大的特征，用于细粒度疾病检测仍然具有挑战性。

最先前的研究取决于心跳明智或单级信号段，这忽略了多引导ECG信号的时空方面不同尺度的底层互补信息。

由樊建平教授领导的研究团队和中国科学院深圳市深圳高级技术（SIAT）的李烨教授提出了一种基于的新的ECG分析方法深度学习避免识别多个心律失常的识别准确性。

这项研究被公布为编辑的建议IEEE生物医学与健康信息学杂志4月13日。

与仅考虑心跳或单级信号信息的现有的ECG检测方法不同，这是一种新型的深度多尺度融合卷积神经网络架构心律失常制定检测。设计的网络架构采用了多尺度特征优化，同时集成了多丢失学习。

对于ECG分析，具有不同接收领域的多个卷积内核提取具有不同尺寸的段的横向特征。此外，利用空间注意进一步挖掘信号的辨别信息。

研究人员设计了一种联合优化策略，具有多种不同尺度的损失，这不仅可以学习特定规模的特征，而且还可以在学习过程中实现累积的多尺度互补特征学习。

以上方法实现了九种心律失常疾病的有效辨别。基于9,831 12铅ECG信号，大约609,522个节拍，心律失常认可的准确性已达到83.8％，其其他最先进的方法表现优于其他最先进的方法。通过12个不同的观点记录信息，12引导ECG绘制了心脏的电气活动的完整图片。

“在多尺度特征融合的帮助下，所提出的方法突出了与其他方法相比的相关不规则区域。异常模式的段位置更准确，可以帮助医生定位和诊断异常模式，然后更好地定位和诊断异常模式。提高诊断的效率和准确性，“王汝祥博士，第一个研究作者。

---

---