以无监督的域适应为基础,诊断心房动
Mingyu Du1, Yuan Yang1, Lin Zhang1
1Beijing Advanced Innovation Center for Big Data-Based Precision Medicine, School of Medicine and Engineering, No.37 Xueyuan Road, Haidian District, Beijing, China; Key Laboratory of Big Data-Based Precision Medicine, Ministry of Industry and Information Technology, No.37 Xueyuan Road, Haidian District, Beijing, China; School of Automation Science and Electrical Engineering, Beihang University, No.37 Xueyuan Road, Haidian District, Beijing, China.
Computers in biology and medicine
|August 13, 2023
概括
这项研究引入了一种新的深度学习模型,用于使用心电图 (ECG) 诊断心房动. 该模型有效地训练了有限的标记和广泛的非标记心电图数据,为这种常见的老年人心脏病实现了高诊断准确性.
科学领域:
- 心脏病学和医疗信息学
- 医疗保健中的人工智能
- 信号处理 信号处理
背景情况:
- 全球老年人口正在增加,导致心血管疾病的增加.
- 心房动是老年人中普遍存在且危及生命的心律失常症.
- 对心房的准确诊断依赖于心电图 (ECG) 信号,但大型标记数据集很少.
研究的目的:
- 使用深度学习开发一个高精度的心房的分类模型.
- 通过利用无监督域调整来应对有限的标记心电图数据的挑战.
- 提高人工智能驱动的心电图分析以检测心律失常的效率和准确性.
主要方法:
- 一个新的双通道网络模型被设计用于分析来自多个特征维度的ECG信号.
- 开发了一种创新的功能队列技术,结合了全球中心点,用于稳定和快速的网络更新.
- 采用无监督的域调整,使用少量标记数据与大量未标记的心电图数据.
- 引入了一个改进的域差异指标和一个虚假标签可信度评估公式,以加强从未标记的数据中学习.
主要成果:
- 双通道网络和功能队列技术使得高精度的心房动诊断能够使用有限的标记数据.
- 该模型展示了强大的概括能力,实现了高性能指标.
- 在MIT-BIH心律失常数据库中,该模型达到95.12%的精度,95.36%的回忆,98.05%的准确性和95.23%的F1得分.
- 在MIT-BIH心房数据库中,性能甚至更高,精度为98.9%,回忆率为99.03%,准确率为99.13%,F1得分为99.08%.
结论:
- 建议的深度学习方法有效地使用心电图数据诊断心房动.
- 双通道网络和特征队列技术的结合克服了ECG分析中的数据限制.
- 这种方法为在临床环境中准确有效地检测心律失常提供了一个有希望的解决方案.
