Una novedosa red de fusión adaptativa CNN-LSTM para el diagnóstico de electrocardiogramas

Área de la Ciencia:

• Cardiología; Inteligencia Artificial; Ingeniería Biomédica

Sus antecedentes:

• Las enfermedades cardiovasculares (ECV) representan un riesgo significativo para la salud mundial.
• El electrocardiograma (ECG) es vital para la detección temprana de ECV.
• Los modelos actuales de aprendizaje profundo como CNN y LSTM tienen limitaciones en el análisis de ECG.

Objetivo del estudio:

• Proponer una red de fusión adaptativa CNN-LSTM (aCNN-LSTM) para mejorar el diagnóstico de ECG.
• Abordar las limitaciones de los núcleos fijos en las CNN y los problemas de correlación de características locales en las LSTM.
• Mejorar la eficiencia y la precisión de la detección automática de ECV basada en ECG.

Principales métodos:

• Se desarrolló un núcleo convolucional adaptativo que ajusta dinámicamente su tamaño según la varianza de la señal.
• Se integraron características convolucionales adaptativas en una red LSTM para capturar relaciones temporales.
• Se empleó un mecanismo de fusión espacio-temporal para la clasificación multiclase de datos de ECG.

Principales resultados:

• La red aCNN-LSTM logró un rendimiento superior en el conjunto de datos PTB-XL en comparación con los modelos estándar de CNN, LSTM y CNN-LSTM.
• Se logró una precisión general del 89,89%.
• Se obtuvo una puntuación F1 promedio de macro de 0,9640 y una puntuación F1 promedio ponderada de 0,9698.

Conclusiones:

• La red aCNN-LSTM propuesta mejora significativamente la eficiencia y la precisión del diagnóstico automático de ECG.
• Este método ofrece un soporte técnico fiable para la detección temprana de ECV en entornos clínicos y de atención primaria.
• El diseño del núcleo adaptativo mejora el rendimiento de los modelos de aprendizaje profundo para el análisis de señales biomédicas complejas.