基于离散小波变换与注意力增强CNN-BiGRU模型的心律失常分类研究

　　本研究针对心电图(ECG)信号噪声干扰和类别不平衡问题，提出结合离散小波变换(DWT)去噪与注意力增强CNN-BiGRU模型的分类方法。通过Borderline-SMOTE算法增强少数类样本，利用CNN提取特征、BiGRU捕捉时序依赖，注意力机制聚焦关键信号段。在MIT-BIH数据库上实现99.22%的准确率，为临床心律失常自动诊断提供有效方案。

　　

基于心电图(Electrocardiogram, ECG)的心律失常分类对心血管疾病早期检测与诊断至关重要。然而，原始ECG信号中的噪声对分类性能构成显著挑战。本研究创新性地结合离散小波变换(Discrete Wavelet Transform, DWT)进行信号去噪，并构建注意力增强的卷积神经网络-双向门控循环单元(CNN-BiGRU)模型用于心律失常分类。首先采用DWT在保留ECG信号关键形态特征的同时消除噪声，通过Borderline-SMOTE算法生成少数类合成样本以解决类别不平衡问题。预处理后的信号经CNN进行层次化特征提取，再由BiGRU捕获时序依赖性，最后通过注意力机制强化信号关键信息区域的权重，显著提升模型判别能力。该方法在MIT-BIH心律失常数据库上对五类心律失常达到99.22%的分类准确率，性能优于现有多种方法，为临床自动化心律失常检测提供了高效解决方案。