A Novel Interpretable Method Based on Dual-Level Attentional Deep Neural Network for Actual Multilabel Arrhythmia Detection

对偶(语法数字) 人工神经网络 卷积神经网络 深度学习 人工智能 计算机科学 模式识别(心理学) 机器学习 分类器(UML) 心律失常 医学 艺术 文学类 心脏病学 心房颤动
作者
Yanrui Jin,Jinlei Liu,Yunqing Liu,Chengjin Qin,Zhiyuan Li,Dengyu Xiao,Liqun Zhao,Chengliang Liu
出处
期刊:IEEE Transactions on Instrumentation and Measurement [Institute of Electrical and Electronics Engineers]
卷期号:71: 1-11 被引量:53
标识
DOI:10.1109/tim.2021.3135330
摘要

Arrhythmia accounts for more than 80% of sudden cardiac death, and its incidence rate has increased rapidly recently. Nowadays, many studies have applied artificial intelligence (AI) methods to arrhythmia detection. Deep learning approaches can improve model performance but lack the capability to mine the relationship between the electrocardiogram (ECG) samples and final results. Furthermore, most arrhythmia diagnosis methods aim at only multiclassification problems. However, in many cases, an ECG recording may have more than one arrhythmia disease. In this article, we develop an accurate and interpretable model for multilabel ECG signals, which is called dual-level attentional convolutional long short-term memory neural network (DLA-CLSTM). Convolutional layers, bidirectional long short-term memory layers, and attention mechanisms are used for extracting beat- and rhythm-level information. Notably, the attention mechanism helps the model be more interpretable. In addition, we design a weighted multilabel classifier to address multilabel and imbalance problems. Finally, the MIT-BIH Arrhythmia Database and the 1st China Physiological Signal Challenge dataset are utilized to evaluate DLA-CLSTM. Compared with existing methods, DLA-CLSTM can improve the accuracy by 22.50% and the F1-macro by 20.51% on average. Further analysis shows that the areas focused by DLA-CLSTM match the clinical judgment basis to some extent. Collectively, DLA-CLSTM has good potential for assisting clinicians in real applications.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
高兴的灰狼完成签到,获得积分10
2秒前
心灵美涵柳完成签到,获得积分10
3秒前
安雯完成签到 ,获得积分10
4秒前
8秒前
AEGUO发布了新的文献求助10
14秒前
尘染完成签到 ,获得积分10
14秒前
DrHHB完成签到 ,获得积分0
15秒前
你盐今虾吗完成签到 ,获得积分10
17秒前
catherine完成签到,获得积分10
17秒前
Benedicta完成签到 ,获得积分10
18秒前
LL完成签到 ,获得积分10
19秒前
眼睛大的元槐完成签到 ,获得积分10
22秒前
Englishroad完成签到 ,获得积分10
24秒前
FFFFF完成签到 ,获得积分10
27秒前
刘刘完成签到 ,获得积分10
28秒前
整齐盼烟完成签到,获得积分10
32秒前
33秒前
刘刘关注了科研通微信公众号
34秒前
紫熊完成签到,获得积分10
35秒前
忆_完成签到 ,获得积分10
36秒前
张文君完成签到 ,获得积分10
38秒前
Sweet完成签到 ,获得积分10
39秒前
灵巧雨寒发布了新的文献求助10
40秒前
独钓寒江雪完成签到 ,获得积分10
41秒前
zp完成签到,获得积分10
42秒前
43秒前
失眠的艳一完成签到,获得积分10
45秒前
辛勤幻竹完成签到,获得积分10
45秒前
AEGUO完成签到,获得积分10
47秒前
清风徐来完成签到,获得积分10
48秒前
HMZ完成签到 ,获得积分10
50秒前
清风徐来发布了新的文献求助10
53秒前
朴实觅夏完成签到 ,获得积分10
1分钟前
韩小小完成签到 ,获得积分10
1分钟前
Xiho完成签到 ,获得积分10
1分钟前
12138发布了新的文献求助10
1分钟前
李y梅子完成签到 ,获得积分10
1分钟前
xiaoyu完成签到 ,获得积分10
1分钟前
1分钟前
flyinthesky完成签到,获得积分10
1分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
八旗制度の研究 600
高分子基功能界面水蒸发材料与应用研究 500
外场增强的水汽发电研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8185520
求助须知:如何正确求助?哪些是违规求助? 9574253
关于积分的说明 21834609
捐赠科研通 7783129
什么是DOI,文献DOI怎么找? 3434577
关于科研通互助平台的介绍 2558951
邀请新用户注册赠送积分活动 2481357