摘要
心血管疾病具有危急值属性，通过筛查第一时间发现心电危急值具有重要意义。利用 CNN-BiLSTM模型结合8导联ECG数据的时间特性和空间特征，可以有效地提高特定疾病分类的准确性。首先，利用连续小波变换去除ECG噪声。其次，通过检测R波的峰值位置，提取连续的RR间期。最后，在中国心血管疾病数据库（Chinese Cardiovascular Disease Database，CCDD）中挑选具有较高危急值病种的8导联数据作为对象，使用CNN-BiLSTM算法分类识别，并使用郑州大学第一附属医院多导联临床数据进行验证。结果表明， CNN-BiLSTM模型结合8导联ECG数据的节律和空间特征，比本文讨论的其他方法具有更高的可解释性。
介绍
介绍
1、心血管疾病危急值
2、其他论文ECG诊断算法策略：传统，cnn ，lstm
3、临床使用12导联心电设备，医生诊断需要多导联综合考虑，用单导联数据预测疾病没有意义
4、ECG是时序数据具有空间特性，导联之间具有空间特征。
受心血管疾病具有危急值的特点，临床使用12导联心电设备诊断疾病和ECG是时序数据具有空间特性，导联之间具有空间特征的启发，提出了一种有效的CNN-BiLSTM混合模型来预测分类。 CNN自动提取各个导联之间的空间特征，BiLSTM提取复杂ECG信号的时序特征，使网络能够有效地训练所有类别。实验结果表明，所提出的模型在多导联心电图数据上达到了最先进的性能，并且优于其他的结果，此外我们还做了模型的鲁棒性分析，分别在去噪和未去噪的ECG数据集上，不同数据集上进行了实验 。实验结果表明，模型对输入的信号质量不敏感，具有鲁棒性。
5、 本文的其余部分安排如下 ：
1、提出一种CNN-BiLSTM模型，针对八导联ECG数据特点，对具有危急值的疾病进行预测分类
2、
心电信号预处理和特征提取
采用小波变换方法，去除信号噪声
提取RR间期数据，作为模型训练数据
ECG去噪声
1、连续小波变换去除ecg噪声的可行性分析
2、去噪前，去噪后波形对比图
特征提取
1、提取RR间期数据的策略
2、提取后送入模型的数据特点
CNN-BiLSTM神经网络
八导联ecg数据时间特征，空间特征，各个导联之间的计算关系介绍，医生诊断疾病的策略
CNN
cnn结构
cnn处理图像数据，空间特征的优势
BiLSTM
BiLSTM网络结构介绍
时序任务的处理，BiLSTM在自然语言处理和语音识别领域很重要
CNN-BiLSTM神经网络结构
结合cnn提取空间特征，BiLSTM提取时序信息的混合网络
网络结构如图：
网络结构参数如图：
1、一方面八导联数据作为二维矩阵整体送入CNN网络提取空间特征
2、另一方面八导联数据分成8个一维时序数据并行送入BiLSTM网络提取时间特征
3、两部分拼接后送入全连接层
4、预测分类
实验和结果
简单介绍实验步骤：预处理降噪，RR间期提取，预测分类，模型鲁棒性分析
实验数据
CCDD 有八导联数据， MIT只有标二导联，不符合要求
模型训练和参数选择
1、本实验选用的参数总表
2、dropout评估
3、batch size 评估
评价指标
灵敏度、特异性、准确度、
实验结果与分析
混淆矩阵、
（和其他论文的准确度对比）、
鲁棒性分析对比实验：
策略1、原来的数据集不去噪，只提取RR间期
策略2、其他比赛数据集，降噪，提取RR间期
结论
开题：在此基础上，引入分布式训练机制