根据特征融合使用基于注意力的BiLSTM来检测心房动

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:

• 心房动 (AF) 是一种普遍的心律失常症,需要及早检测才能有效治疗.
• 传统的方法,如心电图 (ECG),往往是侵入性的和设备依赖.
• 摄影脉扫描 (PPG) 是监测心律的非侵入性替代方案.

研究的目的:

• 开发和评估一种先进的特征融合技术,用于准确的AF检测.
• 用PPG信号利用基于注意力的双向长期短期记忆 (BiLSTM) 网络.
• 改进现有的非侵入性AF诊断方法.

主要方法:

• 从PPG信号中提取时间域 (TD) 和频域 (FD) 的特征.
• 使用基于注意力的BiLSTM网络生成深度学习功能.
• 提取的TD,FD和深度学习特征的融合,然后使用软max函数进行分类.

主要成果:

• 拟议的特征融合方法在AF检测方面实现了96.5%的高精度.
• 记录了优秀的性能指标:93.20%的回忆,94.50%的精度和93.09%的F-score.
• 该方法在AF预测和诊断能力方面取得了显著的改进.

结论:

• 基于注意力的BiLSTM和PPG特征融合方法为AF检测提供了一个高度准确和非侵入性的方法.
• 这种技术可以显著支持临床医生在心房的早期诊断和管理.
• 这项研究强调了先进的人工智能在改善心血管诊断方面的潜力.