连续心电图段的分类 - 深度学习模型的性能分析

科学领域:

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

背景情况:

• 电心电图 (ECG) 信号分类对于诊断心脏病如心律不整至关重要.
• 当前的智能系统经常分段分析ECG信号,这可能会错过复杂的病理模式.
• 诊断心电图病理需要分析连续的心脏周期,而不仅仅是个别段.

研究的目的:

• 评估一种深度学习方法 (CNN 1D+MLP) 用于使用单个和连续的心电图信号段来诊断心脏病.
• 评估CNN 1D+MLP模型在分析多个同时ECG段时的稳定性.

主要方法:

• 使用了两个心电图数据库:麻省理工学院心律失常和欧洲ST-T.
• 创建了连续部分 (2,3和5) 的数据集,用于培训和测试.
• 使用卷积神经网络1D与多层感知器 (CNN 1D+MLP) 配对进行分类.

主要成果:

• 在分析连续的心电图信号段时,CNN 1D+MLP方法表现出高度的稳定性.
• 该模型显示了在心电图信号中检测异常模式的潜力.
• 用于评估的分类指标包括精度,回忆,f1得分,准确性和混矩阵.

结论:

• 评估的深度学习方法对于分析连续的心电图段来说是强大的.
• 这种方法具有显著的潜力,可以改进基于心电图的病理检测.
• 未来的工作包括通过云系统从可穿戴设备实时ECG分析.