非接触生命信号を用いた特徴融合モデルによる心不全の診断と放出分子の分類

科学分野:

• 生物医学工学
• 心臓病科
• 医療における人工知能

背景:

• バリストカルディオグラフィ (BCG) は,心不全の遠隔モニタリングの可能性を示しています.
• 現在のBCGのマニュアル特征分析は,特にLVEF<40%の左心室射出分数 (LVEF) の動態を特徴付けるには不十分である.
• HFの診断とBCGを用いたLVEFの分類を改善するための先進的な方法が必要である.

研究 の 目的:

• BCGと呼吸器信号から手動と深層学習機能を統合したハイブリッド機能融合フレームワークを開発し,検証する.
• 心不全の診断と左心室排出分数の分類の精度を高めるため
• 家庭でのHFとLVEFの評価のための非臨床的枠組みを確立する.

主な方法:

• 83人の参加者を集めて,健康者,HF (LVEF ≥40%),HF (LVEF < 40%) のグループに分類した.
• ピエゾエレクトリックセンサーを使って 非接触生命体信号を収集し,BCGと呼吸器の信号を分離した.
• マニュアル機能と複数のスケールのResNet-BiLSTMネットワークからの深層機能を組み合わせたハイブリッドモデルを開発しました.

主要な成果:

• 提案されたハイブリッド方法は,従来の手作業方法と比較して優れた性能を達成しました.
• 高い分類精度: 2 クラス (健康な対HF) の 98. 20%, 3 クラス (健康な,HF LVEF ≥ 40%,HF LVEF < 40%) の 98. 76%.
• 結果は5倍クロス検証で検証された.

結論:

• 開発されたヘルスケア指向の枠組みは,HFとLVEF分類の効果的な家庭診断を可能にします.
• 臨床外での早期スクリーニングと補助診断を容易にする.
• ハイブリッドのディープラーニングのアプローチが 心血管の健康を遠隔モニタリングする可能性を 示しています