使用基于Bi-LSTM和CBAM的生成对抗网络的ECG数据增强方法

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 心脏病学 心脏病学

背景情况:

• 电心电图 (ECG) 分类算法与不平衡的数据作斗争,导致少数类的表现差.
• 这种数据不平衡会对心电图诊断模型的整体准确性和可靠性产生负面影响.
• 现有的方法往往无法充分应对罕见心脏病的有限数据的挑战.

研究的目的:

• 开发和验证基于生成对抗网络 (GAN) 的数据增强方法,用于不平衡的心电图数据集.
• 提高心电图分析模型的分类性能,特别是代表性不足的心律失常.
• 提高ECG分类系统的整体准确性和稳定性.

主要方法:

• 提出了一种使用生成对抗网络 (GAN) 的新型心电图数据增强方法.
• 在GAN框架内集成双向长期短期记忆 (Bi-LSTM) 网络和卷积块注意力机制 (CBAM).
• 在MIT-BIH心律失常 (MIT-BIH-AR) 和中国心血管疾病 (CCDD) 数据库中验证了该方法,使用弗雷切距离和DTW等指标评估生成的ECG信号质量.

主要成果:

• 在MIT-BIH-AR数据库上的15类心跳分类任务中获得了99.46%的准确性.
• 在CCDD数据库中,改善了心室过早收缩 (PVC) 检测准确度,达到99.15%.
• 通过数据增强,证明了ECG分类性能的显著改善.

结论:

• 提出的基于GAN的数据增强方法有效地解决了ECG分类中的数据不平衡.
• 整合Bi-LSTM和CBAM可增强生成高质量的合成心电图数据.
• 这种方法为改善心电图分析工具的诊断准确性提供了一个有希望的解决方案.