Leichtgewichtiges CNN-Attention-BiLSTM-Modell verbessert Arrhythmieklassifikation

Ein neues, schlankes Deep‑Learning-Modell kombiniert 1‑D‑CNN, Attention‑Mechanismen und BiLSTM, um Herzrhythmusstörungen aus 12‑Leads‑ und Einzel‑Lead‑EKGs zuverlässig zu klassifizieren.

Die Autoren haben das Modell auf dem CPSC‑2018‑Datensatz getestet und zeigen, dass es die Klassifizierungsgenauigkeit und F1‑Scores gegenüber herkömmlichen Baselines deutlich steigert. Durch die Verwendung eines klassengewichteten Verlustes wird das Problem der stark unausgeglichenen Arrhythmieklassen adressiert.

Mit lediglich 0,945 Millionen Parametern ist das System ideal für die Echtzeit‑Anwendung in tragbaren Gesundheitsmonitoren geeignet. Die Kombination aus Leichtgewichtigkeit und hoher Leistung macht es zu einer vielversprechenden Lösung für die frühzeitige Erkennung von Herzrhythmusstörungen.