一个基于深度学习神经网络的终端心律失常诊断模型,具有多尺度特征提取功能
Li Jiahao1, Luo Shuixian2, You Keshun3
1Ganzhou Polytechnic, Zhanggong District, Ganzhou City, 341099, Jiangxi Province, China.
Physical and engineering sciences in medicine
|July 1, 2023
概括
这项研究引入了一种先进的深度学习模型来诊断心律失常,通过分析具有多尺度特征的心跳信号来实现高准确性. 这种创新方法显著提高了常见心脏病的诊断性能.
科学领域:
- 人工智能的人工智能
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
背景情况:
- 节律失常的诊断面临着需要改进计算模型的挑战.
- 当前的方法在特征提取和分类方面可能缺乏效率.
研究的目的:
- 为准确的心律失常诊断开发一个端到端的深度学习模型.
- 为了增强从心跳信号中提取特征,以便更好地分类.
主要方法:
- 开发了一个适应在线卷积网络 (AOCT) 用于分类.
- 实现了时间域,时间频域和多尺度特征的自动提取.
- 利用多尺度特征来改善复杂信号信息的学习.
主要成果:
- 基于AOCT的模型展示了出色的并行计算和分类能力.
- 随着多尺度特征的集成,模型性能显著提高.
- 在四种常见的心脏病中,平均准确率为99.72%,召回率为99.62%,F1得分为99.3%.
结论:
- 拟议的深度学习模型为心律失常诊断提供了一个高度有效的解决方案.
- 多级特征提取对于提高深度学习诊断模型的性能至关重要.
- 在心脏病学中,AOCT模型对现实世界的临床应用充满希望.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
06:30Author Spotlight: Advancing Genetic Epilepsy Studies with Multi-Electrode Array-Based Long-Term Electrophysiological Monitoring of Human Brain Assembloids
Published on: September 27, 2024
1.4K
