一个基于变压器的新型ECG维度减小堆叠自动编码器用于心律失常的节拍检测

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用

背景情况:

• 电心电图 (ECG) 对于诊断心律失常等心脏病至关重要.
• 目前的深度学习模型,如反复神经网络 (RNN),面临着平行计算和ECG信号处理中的长期依赖性挑战.
• 需要提高自动化心电图分析的计算效率和准确性.

研究的目的:

• 开发一个基于变压器的堆叠自动编码模型,用于基于心电图的心律失常检测.
• 通过减少心电图信号的维度来降低计算复杂性.
• 克服RNN在处理长期依赖和ECG数据并行性方面的局限性.

主要方法:

• 提出了一个基于变压器的ECG维度减小堆叠自动编码器模型.
• 使用的变压器用于将心电图信号编码为特征矩阵.
• 应用无监督的贪训练,使用线性层来减少维度,然后通过支持矢量机 (SVM) 分类来最大限度地减少过拟合.

主要成果:

• 在MIT-BIH心律失常数据库中实现了高性能.
• 基于节拍的检测在10倍交叉验证中平均准确率为99.83%,灵敏度为98.84%,特异性为99.84%,F1得分为99.13%.
• 基于记录的检测 (独立患者数据) 显示准确率为88.10%,灵敏度为49.79%,特异性为91.56%,F1得分为39.95%.

结论:

• 拟议的基于变压器的模型表明,与现有方法相比,对心律失常节拍检测具有更高的准确性和概括性.
• 基于记录的数据划分方法提高了模型适用于现实世界的临床实践的适用性.
• 该方法有效地解决了ECG信号处理方面的挑战,为自动化心律失常诊断提供了有前途的进展.