使用基于Motif转换的CWT的时间频率图像与DenseNet深度转移学习方法进行心脏病检测的新方法
1Electrical Department, Sirnak University, Sirnak, Türkiye.
Biomedizinische Technik. Biomedical engineering
|March 1, 2024
概括
本研究介绍了一种新的算法,用于分析电心电图 (ECG) 信号,使用动机转换 (MT),连续波段转换 (CWT) 和DenseNET深度学习. 综合方法在心脏病诊断中取得了99.31%的成功率.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 医疗保健中的人工智能
背景情况:
- 电心电图 (ECG) 信号对于诊断诸如充血性心力衰竭 (CHF) 和心律失常 (ARR) 等心脏疾病至关重要.
- 精确分析心电图信号对于及时诊断和管理疾病至关重要.
- 需要先进的计算机辅助系统来增强复杂的心电图数据的分析.
研究的目的:
- 开发和评估一种新的心电图数据模式识别算法,以改善心脏病状况诊断.
- 解决ECG分析中现有的信号预处理技术的局限性.
- 为了利用深度学习来准确地分类ECG模式.
主要方法:
- 提出了一种使用连续波段转换 (CWT) 的新型心电图信号预处理模型.
- 引入了动机转换 (MT),以克服CWT的局限性,如边界效应,并改善时间频率定位.
- 使用DenseNET深度传输学习对MT和CWT生成的头图像进行分类的ECG信号.
主要成果:
- 综合MT + CWT + DenseNET方法在ECG数据模式识别方面表现出显著的有效性.
- 该算法在从心电图信号中分类心脏病的成功率高达99.31%.
- 该研究强调了将信号转换技术与ECG分析的深度学习相结合的潜力.
结论:
- 拟议的MT + CWT + DenseNET算法为ECG信号分析提供了一个高度准确和有效的方法.
- 这种方法有望促进各种心脏病的早期和准确诊断.
- 这项研究证实了心血管诊断中先进的信号处理和深度学习之间的协同作用.
