基于双向循环神经网络的深度残留密度网络,用于检测心房动

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:

• 心房动 (AF) 带来很大的风险,包括中风和脑梗塞.
• 传统的深度学习模型在AF检测中与干扰和泛化作斗争.
• 准确和早期发现AF对于患者的健康结果至关重要.

研究的目的:

• 引入一个创新的深度残留密度网络,与双向循环神经网络 (RNN) 集成,以加强心房的检测.
• 为了简化功能提取,并创建一个端到端的深度学习模型用于AF识别.
• 为了利用一个注意力机制,有效地融合特征和提取高价值信息.

主要方法:

• 开发一种新的深度残留密度网络,并结合双向RNN架构.
• 实现一个端到端的深度学习模型,用于自动检测心房动.
• 使用注意力机制来融合各种特征并精确定位关键信息.

主要成果:

• 拟议的模型在检测心房动方面达到97.72%的高精度.
• 报告的敏感性和特异性分别为93.09%和98.71%.
• 与现有方法相比,该模型表现出优越的性能.

结论:

• 具有双向RNN的深度残留密度网络为心房的检测提供了一种强大而有效的方法.
• 这种方法简化了检测过程,提高了诊断准确度.
• 这些发现表明,利用人工智能进行心血管健康监测有望取得进展.