一个基于Q转换的深度学习模型,用于分类心房的类型
B Dhananjay1, R Pradeep Kumar2, Bala Chakravarthy Neelapu1
1Department of Biotechnology and Medical Engineering, National Institute of Technology Rourkela, Rourkela, Odisha, 769008, India.
Physical and engineering sciences in medicine
|February 14, 2024
概括
这项研究开发了一种人工智能模型,从心电图像中准确地分类心房 (AF) 亚型. 定制的2D CNN在区分非AF,空心AF和持续AF方面取得了高准确性,有助于临床决策.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 心房 (AF) 是一个日益增长的全球健康问题,需要改善其亚型的诊断工具.
- 精确的AF亚型分类对于有效的临床管理和个性化治疗策略至关重要.
- 目前的诊断方法难以精确区分AF亚型.
研究的目的:
- 开发和评估一个定制的2D卷积神经网络 (CNN) 模型,从心电图像中自动分类非心房 (非心房),心房 (PAF) 和持续心房 (PsAF).
- 用关键准确度指标评估模型在区分这些AF亚型方面的表现.
- 探索AI在提高AF的诊断和管理方面的潜力.
主要方法:
- 使用常量Q转换 (CQT) 将心电图信号转换为时间频率表示,生成大量图像数据集.
- 一个定制的六层二维CNN模型被开发用于图像分类.
- 用数据增强技术来解决阶级不平衡问题,随后进行培训,验证和测试,比例为0.7:0.15:0.15.
主要成果:
- 拟议的2D CNN模型在所有指标上实现了高性能:0.98准确度,0.98精度,0.98灵敏度,0.97特异性和0.98F1得分.
- 该模型表现出一种强大的能力,可以从ECG衍生图像中区分非AF,PAF和PsAF节奏.
- 数据集包括超过15万张图像,训练,验证和测试集被仔细分割.
结论:
- 开发的AI模型显示了从心电图像准确分类AF亚型的巨大潜力.
- 这项技术可以帮助医生减少误诊,并为AF患者量身定制个性化治疗计划.
- 这些发现突显了深度学习在推进心律失常诊断方面的有效性.
