一种基于shapelets的可解释方法,用于使用动态学习和深度学习来检测心肌梗塞
Jierui Qu1, Qinghua Sun1,2, Weiming Wu1,2
1School of Control Science and Engineering, Shandong University, Jinan 250061, People's Republic of China.
Physiological measurement
|January 24, 2024
概括
本研究引入了一种可解释的基于形状的方法,使用动态和深度学习从心电图信号准确检测心肌梗塞 (MI),实现高诊断性能.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
背景情况:
- 心肌梗塞 (MI) 是全球死亡的主要原因之一.
- 电心电图 (ECG) 对于MI诊断至关重要,但由于微妙的信号变化,它面临着挑战.
- 准确及时检测MI对于降低死亡率至关重要.
研究的目的:
- 开发一种可解释的基于形状的方法,用于使用ECG增强MI检测.
- 通过从心电图动态中提取歧视性特征来提高心脏病发作诊断的准确性.
- 为了利用动态学习和深度学习来进行强大的MI识别.
主要方法:
- 利用动态学习来捕捉内在的心电图信号动态.
- 使用深度神经网络从心电图动态中提取和选择MI特定的形状.
- 开发了一个整体模型,集成多维心电图动态形状图用于MI检测.
主要成果:
- 拟议的方法在PTB数据集上实现了高性能.
- 获得了94.11%的精度,94.97%的灵敏度和90.98%的特异性.
- 确定了MI和健康人之间的显著形态差异的形状.
结论:
- 开发的基于形状的方法为MI检测提供了一种可解释和有效的方法.
- 提取的形状板作为识别MI的有价值的区分特征.
- 这种方法提高了心肌梗塞ECG的诊断能力.
