使用长期短期记忆神经网络和身体表面潜力,对心房的驾驶员位置进行非侵入性估计
Miriam Gutiérrez-Fernández-Calvillo1, Miguel Ángel Cámara-Vázquez1, Ismael Hernández-Romero2
1Rey Juan Carlos University, Cam. del Molino, 5, Madrid, 28942, Spain.
Computer methods and programs in biomedicine
|February 13, 2024
概括
这项研究引入了一种深度学习方法,使用卷积循环网络确定心房动 (AF) 驱动因素. 这种方法在准确定位AF源方面表现有前途,有助于更好的诊断和治疗策略.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 心房动 (AF) 是一种心律障碍,与中风等严重并发症有关.
- 有效的AF治疗需要精确识别启动和维持心律失常的电动驱动器.
- 目前的非侵入性方法,如心电成像,面临着挑战,原因是反向问题的不良性质.
研究的目的:
- 开发和评估一种机器学习方法,用于非侵入性地定位心房动的驱动因素.
- 使用深度学习将AF驱动器本地化视为监督分类问题.
主要方法:
- 混合卷积循环神经网络 (CNN-LSTM) 用于特征提取和顺序数据建模.
- 使用16个电图和11个干几何形状,创建了具有标记驾驶员位置的逼真的计算机自动对焦模型.
- 160个身体表面潜力 (BSP) 信号被生成,预处理并使用四倍交叉验证进行分析.
主要成果:
- 在4个交叉验证折叠中,CNN-LSTM模型实现了74.75%的平均准确性.
- 该模型在识别鼻节律和肺静脉附近的驱动因素 (R1和R3) 中表现出更高的准确性.
- 左上肺静脉 (R1) 区域的特异性表现显示,平均灵敏度为87%,特异性为83%.
结论:
- 该研究成功地展示了CNN-LSTM网络在定位AF驱动器方面的潜力.
- 在R1区域的高精度是显著的,因为这个区域是AF驾驶员的常见场所.
- 这种深度学习方法提供了一个有前途的新策略,通过利用时间数据来改善AF诊断和废除疗法.
