少数射击转移学习用于个性化的心房动检测,使用基于患者的马网络与单线心电图记录

科学领域:

• 心脏病学和医疗器械
• 医疗保健中的人工智能
• 信号处理和机器学习

背景情况:

• 可穿戴设备促进了持续的心电图 (ECG) 监测,以评估心律和心率.
• 自动检测心房动 (AF) 对于对心电图数据的及时临床解释至关重要.
• 深度学习模型需要大量注释数据来准确识别AF,这对个性化模型构成了挑战.

研究的目的:

• 开发一种有效的转移学习方法,用于使用语网络进行个性化AF检测.
• 为了解决获得足够的标记心电图数据对于个体患者模型培训的不切实际性.

主要方法:

• 一个罗卷积神经网络 (CNN) 通过比较同一病人标记的心电图段进行了预训练.
• 电脑心电图段 (30秒,50%重叠) 来自麻省理工学院心房动数据库.
• 预训练模型使用不同数量的心电图段 (1-11) 来自长期AF数据库进行AF检测.

主要成果:

• 语网络方法在检测AF方面取得了很高的性能.
• 宏观F1得分从一个ECG段的96.84%到11个ECG段的97.07%不等.
• 性能随着添加更多的ECG细节以进行微调而逐渐提高.

结论:

• 提出的基于语网络的转移学习方法有效地实现了个性化的AF检测.
• 这种方法克服了训练深度学习模型在个体患者心电图数据上的数据限制.
• 该方法显示了使用可穿戴设备数据改进自动化AF查和诊断的巨大潜力.