基于改进多类注意力机制与双向长短期记忆网络的心血管疾病深度学习诊断方法研究

本研究针对心血管疾病(CVD)诊断中存在的误分类、特征重叠和噪声干扰等问题，提出了一种结合改进多类注意力机制(M2AM)与深度双向长短期记忆网络(BiLSTM)的新型诊断模型。研究人员通过改进自适应带通滤波(IABPF)和小波变换对MIT-BIH和INCART数据库的6000例ECG信号进行预处理，实现了98.82%的准确率和98.92%的F值，显著优于传统机器学习方法。该研究为多类别心脏病精准诊断提供了创新解决方案。

　　

心血管疾病(CVD)长期占据全球死因首位，其中延迟诊断和分类不准确是主要瓶颈。传统机器学习(ML)和深度学习(DL)方法在临床实践中面临特征重叠、样本不平衡和噪声敏感等挑战。尤其当面对心律失常、冠状动脉疾病等具有相似ECG特征的病症时，现有模型的分类性能往往大幅下降。更棘手的是，医疗场景中的基线漂移、肌电干扰等噪声问题，使得ECG信号的关键特征如P-QRS-T波群难以准确提取。

针对这些难题，印度Greater Noida的Galgotias大学计算机科学与工程系联合沙特Taif大学的研究团队，在《Scientific Reports》发表了一项突破性研究。他们开发了融合改进多类注意力机制(M2AM)的深度双向长短期记忆网络(BiLSTM)模型，通过动态调整类别特异性注意力权重，显著提升了多类别心脏病的鉴别诊断能力。

研究采用三大核心技术：首先利用改进自适应带通滤波器(IABPF)实现0.5-100Hz的智能滤波，有效抑制基线漂移和肌电噪声；其次应用Morlet小波变换进行时频域特征提取，精准捕捉QRS复合波等瞬态特征；最终构建的M2AM机制能动态计算类别依赖的注意力权重，使模型聚焦于特定心脏病最具鉴别力的特征。实验采用MIT-BIH和INCART数据库的6000例临床ECG数据，包含心律失常、瓣膜病等多种病理类型。

材料与方法

研究团队建立了完整的ECG分析流程：原始信号经IABPF预处理后，通过连续小波变换(CWT)分解为时频系数，提取包括信号能量(²)、熵值等特征。深度BiLSTM网络通过双向时序处理捕获ECG动态特征，而创新的M2AM机制通过类特异性注意力权重α_i,c=σ(x_i·W_c)实现特征动态加权，有效区分相似病症。

实验结果

在MIT-BIH数据集上，模型取得98.82%准确率，较传统BiLSTM提升7.22%。特别在类不平衡场景下，F值达98.92%，证明其对罕见病症的识别能力。消融实验显示，移除IABPF会使准确率骤降10.42%，证实信号预处理的关键作用。

讨论与结论

该研究通过三重创新解决了心血管AI诊断的核心痛点：IABPF保障了信号质量，小波变换增强了特征表达能力，而M2AM机制首次实现了心电图特征的动态类别加权。临床意义在于，该模型能同时处理冠状动脉疾病、心律失常等五种常见心脏病，且对噪声干扰具有鲁棒性。研究者建议未来结合可解释AI技术，并探索在可穿戴设备中的实时应用，这将推动心血管疾病从被动治疗向主动预防转型。