使用卷积神经网络 (CNN) 高效地提取深度图像特征,用于检测心室动和心跳动
Azeddine Mjahad1, Mohamed Saban1, Hossein Azarmdel1
1GDDP, Department Electronic Engineering, School of Engineering, University of Valencia, 46100 Burjassot, Valencia, Spain.
Journal of imaging
|September 27, 2023
概括
这项研究引入了一种新的CNN方法,使用时间频率图像来准确检测心律失常,如心室动 (VF) 和心室低心率 (VT). 该方法显著提高了关键心律分析的分类性能.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 准确检测心律不整,特别是心室动 (VF) 和心室低心率 (VT),对于安全有效的除治疗至关重要.
- 对心律的错误分类可能导致不适当的治疗,可能会对患者造成伤害或加剧现有的情况.
研究的目的:
- 开发和验证一种使用卷积神经网络 (CNN) 和电心电图 (ECG) 信号的时间频率 (tf) 表示来分类心律失常的新方法.
- 为了提高检测危及生命的节律失常的精度和可靠性,如VF和VT用于改进的自动外部除器 (AED) 和植入式心脏转换器-除器 (ICD) 疗法.
主要方法:
- 利用了来自MIT-BIH和AHA数据库的心电图信号.
- 生成时间频率 (tf) 表示,特别是伪维格纳-维尔 (PWV) 图像,在预处理步骤后,包括无声化,对齐和细分.
- 采用四种不同的CNN架构 (InceptionV3,MobilNet,VGGNet,AlexNet) 来分类TF图像并评估该方法的有效性.
主要成果:
- 在各种节奏中实现了高分类性能:VF (98.91%准确率),VT (99.09%准确率),正常鼻节奏 (98.89%准确率) 和其他节奏 (99.11%准确率).
- 在区分可震动 (VF/VT) 和非可震动节奏方面表现出卓越的性能,准确率为99.61%.
- 与CNN相结合的tf表示优于以前的分类方法,即使没有预先选择ECG情节.
结论:
- 拟议的方法,利用图像和CNN分类器的tf表示,显著提高心律不整检测的准确性.
- 这种方法显示了集成到AED和ICD设备的巨大潜力,提高了患者的安全性和治疗效率.
- 这些发现为将该技术应用于更广泛的ECG节律检测应用打开了道路.
