设计和技术验证,以生成合成12心电图数据集,以促进人工智能研究

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 心血管疾病研究研究

背景情况:

• 电心电图 (ECG) 数据对于诊断心血管疾病至关重要.
• 由于隐私问题和复杂的披露政策,现实世界的ECG数据集面临着挑战.
• 开发用于ECG分析的有效AI模型需要大型,可访问的数据集.

研究的目的:

• 构建一个合成的12导电图数据集,以解决隐私敏感性和披露政策复杂性.
• 创建一个公开可用的ECG数据集,以推进心血管疾病研究.
• 在AI驱动的诊断模型中验证合成心电图数据的实用性.

主要方法:

• 使用一个结合卷积神经网络 (CNN) 和双向长期短期记忆 (Bi-LSTM) 的深度学习模型,生成合成心电图数据.
• 合成数据集包括6000个12ECG,包括正常和5个异常类别.
• 通过开发和评估ECG分类模型来评估合成数据集的有效性.

主要成果:

• 合成心电图信号非常接近真实心电图,平均根平均平方误差 (RMSE) 为0.042μV,共弦相似度为0.993.
• 在合成数据集上训练的分类模型实现了与在真实ECG数据上训练的模型相比的性能.
• 在合成数据上训练的模型保持了高准确度 (平均93.41%),即使在真实心电图数据上测试.

结论:

• 在人工智能驱动的临床研究中,合成的12导电心电图数据集可以有效地替代真实数据集.
• 开发的合成数据生成方法克服了医疗数据披露的挑战,促进了开放数据政策.
• 这种方法通过提供保护隐私,可访问的数据集,为推进心血管疾病研究做出了重大贡献.