Mejora de Características Multiescala y Redes de Dependencia Temporal Bidireccional para la Clasificación de...

Área de la Ciencia:

• Cardiología
• Inteligencia Artificial
• Ingeniería Biomédica

Sus antecedentes:

• Las arritmias cardíacas, incluidos los latidos prematuros y la fibrilación auricular, presentan importantes desafíos clínicos para su detección.
• Los modelos de aprendizaje profundo existentes tienen dificultades con la diferenciación precisa entre estos tipos específicos de arritmias.

Objetivo del estudio:

• Desarrollar un modelo avanzado de clasificación de arritmias que supere las limitaciones de las arquitecturas de aprendizaje profundo únicas.
• Mejorar la precisión de la detección de latidos prematuros y fibrilación auricular utilizando un enfoque integrado novedoso.

Principales métodos:

• Módulo residual convolucional de cuatro capas con conexiones de salto para la extracción de características multiescala de ECG.
• Mecanismo de autoatención multi-cabeza para capturar correlaciones de características globales.
• Red de dependencia temporal a largo plazo bidireccional para la comprensión contextual de secuencias.
• Capa totalmente conectada regularizada por dropout para la clasificación de arritmias de seis tipos.

Principales resultados:

• Logró una precisión general del 98,55% y una puntuación F1 de 0,9531 en un conjunto de datos fusionado.
• Demostró puntuaciones F1 superiores para latidos prematuros (0,9916) y fibrilación auricular (0,9888), superando la literatura reciente.
• Exhibió un rendimiento de clasificación robusto y una identificación efectiva de las arritmias objetivo.

Conclusiones:

• El modelo propuesto mejora significativamente la precisión de la clasificación de latidos prematuros y fibrilación auricular.
• Este enfoque integrado de aprendizaje profundo muestra un gran potencial como herramienta de apoyo para el diagnóstico automatizado de ECG.
• El rendimiento del modelo destaca los avances en la detección de arritmias cardíacas impulsada por la IA.