基于可变形注意力视觉变压器的心律失常分类模型
Yanfang Dong1,2, Miao Zhang2, Lishen Qiu1
1School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei 230026, China.
Micromachines
|June 28, 2023
概括
一个新的深度学习模型,CNN-DVIT,可以通过心电图 (ECG) 改善自动心律失常检测. 这种先进的方法通过准确地将心律失常分类为多导电图信号,提高了心血管疾病的诊断.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 电心电图 (ECG) 对于监测心脏活动和诊断心血管疾病 (CVD) 是至关重要的.
- 通过ECG自动检测心律失常对于早期心血管疾病预防和诊断至关重要.
- 目前的基于变压器的深度学习模型显示了多导电图心律失常检测的局限性.
研究的目的:
- 开发一个先进的端到端的多标签心律失常分类模型,用于12心电图.
- 提高深度学习模型在从不同长度的心电图记录中检测心律失常的性能.
- 提高计算机辅助诊断技术用于临床心电图分析.
主要方法:
- 拟议的CNN-DVIT模型结合了卷积神经网络 (CNN) 与深度可分离的卷积以及具有可变形注意力的视觉变压器.
- 整合了一个空间金字塔聚合层来处理不同长度的心电图信号.
- 评估了CPSC-2018数据集上的模型,用于多标签心律失常的分类.
主要成果:
- 在CPSC-2018数据集上获得了82.9%的F1得分.
- CNN-DVIT的性能优于现有的基于变压器的心电图分类算法.
- 除研究证实了可变形多头注意力和深度可分离卷积在特征提取中的效率.
结论:
- CNN-DVIT模型在自动检测多导电心电图信号中的心律失常方面表现出强的表现.
- 这项研究为临床心电图分析和心律失常诊断提供了重要的支持.
- 这些发现有助于在心脏病学中推进计算机辅助诊断技术.
