一个聚合卷积模型用于ECG和PCG信号的多重分类
Juliang Wang1, Junbin Zang1, Qi An1
1Key Laboratory of Instrumentation Science & Dynamic Measurement of Ministry of Education, North University of China, Taiyuan, China.
Computer methods in biomechanics and biomedical engineering
|January 9, 2024
概括
使用堆叠卷积 (MCM) 块的深度学习模型在从心电图 (ECG) 和心电图 (PCG) 信号中检测心血管疾病方面表现出高准确性. 这些模型提供了高效和有效的多重分类,以提高诊断能力.
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:
- 心血管疾病需要有效的检测方法.
- 心电图 (ECG) 和心电图 (PCG) 信号提供了重要的诊断信息.
- 深度学习为分析复杂的生理信号提供了一个有希望的途径.
研究的目的:
- 开发和评估新的深度学习模型,用于ECG和PCG信号的多重分类.
- 通过信号分析提高心血管疾病检测的准确性和效率.
- 为生理信号识别引入简单而有效的聚合卷积模型.
主要方法:
- 预处理ECG和PCG信号.
- 结构块的设计:堆叠块 (MCM) 具有卷积和最大共享层,以及残余块 (REC).
- 调整结构块号码以适应不同的信号采样率.
主要成果:
- 在MCM块模型中,ECG的准确度达到了98.70%,PCG聚变数据集的准确度达到了92.58%.
- MCM模型的性能优于变体和REC块模型,精度分别提高了0.02%和4.30%.
- 同时在同步的ECG-PCG数据集上也实现了最高的精度,该数据集对疲劳水平进行分类.
结论:
- 拟议的MCM结构块为ECG和PCG信号分类提供了卓越的性能.
- 开发的深度学习模型对于心血管信号分析是有效的和可通用的.
- 这种方法显著提高了早期和准确的心血管疾病检测的潜力.
更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.4K
14:27Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
15.7K
