文摘心房颤动(Atrial Fibrillation,AF)是一种常见的心律失常疾病,会严重影响患者的日常生活,甚至引发包括中风、血栓堵塞等的并发症。因此,对房颤早期准确的诊疗非常重要。但是,算法对大规模的心率数据运行效率较低,因此房颤的诊断仍面临一定的挑战。针对上述挑战,文章提出了一种新型的基于深度学习的房颤检测架构BiLSTM-Attention。该架构包含双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)和Attention机制。在BiLSTM-Attention中,BiLSTM用于访问心率序列中的前项和后项数据,Attention机制用于给数据特征分配不同的权重,最终通过顶部全连接层分类房颤。在MIT-BIHAF数据库上对该架构进行了交叉验证,取得了98.54%的准确率。实验结果表明,BiLSTM-Attention架构在测试数据集上表现良好,为进一步探索智慧医疗迈出了坚实的一步。
