通过信号分解和扩展的残留神经网络检测心房动
1School of Computer Science and Technology, Harbin Institute of Technology, Harbin, People's Republic of China.
Physiological measurement
|September 15, 2023
概括
这项研究引入了一种新的深度学习方法,用于从单导电心电图 (ECG) 信号中检测心房动 (AF). 该方法通过结合临床心电图诊断知识来提高AF检测的准确性.
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
- 心脏病学 心脏病学
背景情况:
- 从可穿戴心电图 (ECG) 设备检测心房动 (AF) 是具有挑战性的,因为信号质量和单线限制.
- 当前的深度学习方法往往忽视了有价值的临床心电图诊断经验,仅依赖原始信号数据.
研究的目的:
- 开发一种用于ECG信号的新型特征提取技术,以改善AF检测.
- 将领域知识集成到深度神经网络中,以提高诊断性能.
主要方法:
- 开发了一种新方法,使用R峰检测将心电图信号分解为伪QRS复合体和伪T,P波信号.
- 在这些分解的心电图信号上训练了一种新的扩展残留神经网络.
主要成果:
- 拟议的方法在PhysioNet/CinC 2017挑战数据集上获得了0.843的平均F1得分.
- 在MIT-BIH心房动数据库中,该方法获得了平均F1得分0.984.
结论:
- 电图信号分解技术有效地将临床知识纳入深度学习模型.
- 扩展的残余网络通过提供大型受体场来提高AF检测性能.
- 这种方法显示出在心电图信号分析中具有更广泛应用的潜力.
