使用轻量级CNN与注意模块和物联网的ECG图像的高效分类

科学领域:

• 生物医学工程 生物医学工程
• 心脏病学 心脏病学
• 人工智能的人工智能

背景情况:

• 心血管疾病 (CVD) 是全球主要的健康问题,需要先进的诊断和预防策略.
• 电心电图 (ECG) 是评估心脏健康的重要工具,但广泛的可访问性仍然是一个挑战.
• 远程医疗解决方案为可访问和具有成本效益的心血管疾病管理提供了一个有希望的途径.

研究的目的:

• 开发一个基于物联网 (IoT) 的综合系统,用于实时监测和检测心脏疾病.
• 通过先进的深度学习技术,提高ECG分析的准确性和效率.
• 将高效的数据路由协议与复杂的图像分类相结合,以改善心血管诊断.

主要方法:

• 实施了两阶段的方法:第一阶段使用混合路由协议 (REL与DSR) 在物联网医疗保健平台上进行高效的数据收集.
• 第二阶段涉及使用轻量级卷积神经网络 (CNN) 进行心电图像分类,用于自动提取特征.
• 使用注意模块来优化提取的深度特征,提高分类性能.

主要成果:

• 开发的系统实现了高分类准确率98.39%在识别心脏异常从12心电图像.
• 该系统成功地区分了正常心电图,心跳异常,心肌梗塞 (MI) 和先前的MI病史.
• 物联网,深度学习和优化路由协议的整合在ECG分析中表现出强的性能.

结论:

• 拟议的基于物联网的系统提供了一种高度准确和高效的方法,用于早期检测和管理心脏疾病.
• 这种方法在改善心血管疾病的诊断和远程监测方面具有重大潜力.
• 该研究强调了物联网,深度学习和现代医疗保健应用中的高效数据处理之间的协同作用.