SE-ResNet-ViT混合模型用于粘合贴型可穿戴心电图的噪声分类

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 心脏病学 心脏病学

背景情况:

• 与传统的霍尔特监测器相比,可穿戴的贴片型心电图提供了延长的心电图监测 (14天).
• 这些设备更小,更轻,更方便患者使用,但会因移动和长时间使用而产生大量噪音.
• 电脑心电图信号中的噪音使自动分析复杂化,导致非心律失常信号的错误分类,并增加临床技术人员的工作量.

研究的目的:

• 开发和评估深度学习算法,以有效选可穿戴式心电图数据中的噪声信号.
• 解决自动ECG分析中的噪声干扰的挑战,提高诊断效率.
• 为了减少临床技术人员重新分类噪音信号所需的手工劳动和时间.

主要方法:

• 利用了7467个噪音信号和15638个心律失常患者和健康个体的心电图信号的数据集.
• 信号被细分为10秒间隔,并由心脏病学家精心标记.
• 开发了一种混合深度学习模型,即Squeeze and Excitation-Residual Network-Vision Transformer (SE-ResNet-ViT),在训练和验证数据的8:2比率上进行训练.

主要成果:

• 在区分噪声信号与有效的ECG数据方面,SE-ResNet-ViT模型获得了0.964的高F1得分.
• 该模型在测试数据集内的选噪声信号方面表现出显著的有效性.
• 开发的模型有可能大幅减少临床技术人员花费的时间和精力.

结论:

• 拟议的SE-ResNet-ViT深度学习模型对于在可穿戴式心电图记录中选噪声非常有效.
• 这项技术可以显著提高自动心律失常检测系统的效率和准确性.
• 通过减少手动信号审查,实施该模型可以在临床环境中节省大量的时间和成本.