无接触性心房动查与注意网络

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:

• 远程医疗和远程医疗增加了对远程诊断工具的需求.
• 通过面部视频分析进行心房动 (AF) 查是一种新兴的非侵入性技术.
• 现有的方法需要强大的数据集和先进的算法来准确检测.

研究的目的:

• 开发和验证一种新的深度学习模型,用于基于摄像头的心房动检测.
• 创建最大的面部图像数据库,专门用于基于相机的AF检测.
• 评估模型在不同临床环境中的性能和适应性.

主要方法:

• 在两个临床场所收集了来自657名参与者的10,000个视频段,其中有2,979个段由心脏病学家手动标记.
• 开发了一种具有注意力机制的新型卷积神经网络 (CNN) 架构.
• 融合式远程光电显微镜 (rPPG) 来自心跳一致性,心率变化和运动特征进行分析.

主要成果:

• 在数据库内部评估中,获得了96.62%的灵敏度,90.61%的特异性和0.96的AUC.
• 在两个临床场所均平均AUC超过0.94的数据库交叉表现强.
• 该模型有效地整合了各种面部和运动数据,以进行可靠的AF查.

结论:

• 建议使用注意力机制的CNN模型显示了基于相机的AF选的高效性.
• 开发的大规模面部视频数据库支持远程AF检测方面的进步.
• 该方法表现出强大的适应性,表明实际远程医疗应用的潜力.