达姆斯网络 (DAMS-Net):双重关注和多尺度信息融合网络,用于12个的ECG分类

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
• 信号处理 信号处理

背景情况:

• 自动化12导电心电图 (ECG) 分类对于诊断临床心律失常至关重要.
• 目前的深度学习模型,如卷积神经网络 (CNN) 和变压器在捕捉本地和全球ECG特征方面存在局限性.
• 美国有线电视电视与远程依赖性作斗争,而变形金刚可能会忽略局部细节.

研究的目的:

• 提出DAMS-Net,一种混合CNN-变压器模型,用于增强自动ECG分类.
• 为适应性特征聚焦利用空间和道注意力机制.
• 通过跳过连接集成多层次信息,进行全面的心电图分析.

主要方法:

• 开发了DAMS-Net,这是一个CNN-Transformer混合编码器,包含空间和通道注意模块.
• 实现跳过连接来融合多层次信息,捕捉高层和低层的语义特征.
• 在2018年生理电信号挑战数据集上对模型进行了评估.

主要成果:

• 达姆斯网络的精度为83.6%,回忆率为84.7%,F1得分为0.839.
• 与基准数据集上现有的单一模型方法相比,拟议的方法显示出更高的分类性能.
• 实验结果证实了该模型在12导电图自动分类中的有效性.

结论:

• DAMS-Net有效地结合了CNN和变压器的优势,实现了卓越的自动ECG分类.
• 具有注意力机制和多尺度融合的混合架构显示了临床心律失常诊断的重大前景.
• 拟议的方法为提高自动ECG分析的准确性和效率提供了一个强大的解决方案.