心電図診断のための新しい適応型CNN-LSTM融合ネットワーク

科学分野:

• 循環器病学
• 人工知能
• 生体医工学

背景:

• 心血管疾患（CVD）は、世界的に重大な健康リスクをもたらしています。
• 心電図（ECG）は、早期のCVD検出に不可欠です。
• CNNやLSTMなどの現在の深層学習モデルには、ECG解析に限界があります。

研究 の 目的:

• 心電図診断を強化するための適応型CNN-LSTM（aCNN-LSTM）融合ネットワークを提案すること。
• CNNの固定カーネルの限界とLSTMの局所特徴相関の問題に対処すること。
• ECGベースの自動CVDスクリーニングの効率と精度を向上させること。

主な方法:

• 信号の変動に基づいて動的にサイズを調整する適応型畳み込みカーネルを開発しました。
• 適応型畳み込み特徴をLSTMネットワークに統合して、時間的関係を捉えました。
• ECGデータのマルチクラス分類のために、空間時間融合メカニズムを採用しました。

主要な成果:

• aCNN-LSTMネットワークは、標準的なCNN、LSTM、およびCNN-LSTMモデルと比較して、PTB-XLデータセットで優れたパフォーマンスを達成しました。
• 全体精度89.89％を達成しました。
• マクロ平均F1スコア0.9640、加重平均F1スコア0.9698を取得しました。

結論:

• 提案されたaCNN-LSTMネットワークは、自動ECG診断の効率と精度を大幅に向上させます。
• この方法は、臨床および一次医療現場での早期CVDスクリーニングに信頼できる技術的サポートを提供します。
• 適応型カーネル設計は、複雑な生物医学信号解析のための深層学習モデルのパフォーマンスを向上させます。