基于模糊的ECGAN辅助ResT-Net用于OSA检测

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 心脏病学 心脏病学

背景情况:

• 电心电图 (ECG) 分析正在获得阻塞性睡眠呼吸暂停 (OSA) 检测的吸引力.
• 基于心电图的OSA检测的挑战包括有限的数据,数据质量差,和不完整的标签,阻碍深度学习模型的泛化.

研究的目的:

• 提出REST-ECGAN框架,以加强基于深度学习的OSA检测,使用ECG数据.
• 为解决OSA检测ECG数据集中的数据稀缺性和质量问题.

主要方法:

• 开发了一个一维的生成对抗网络 (ECGAN) 用于生成具有改进数据质量的合成心电图样本.
• 集成ECGAN与ResT-Net,一个深度学习模型,利用多头注意力来有效地提取特征.
• 在ECGAN中使用模糊性来过生成的信号,增加用于培训的高质量数据.

主要成果:

• 在REST-NET模型的应用中,APNEA-ECG数据库的准确度为0.885,而私人数据库的准确度为0.837.
• 整合ECGAN生成的数据增强提高了ResT-Net准确度,在各自的数据库上达到0.893和0.848.
• 与最先进的深度学习方法相比,提议的REST-ECGAN框架显示出更高的性能.

结论:

• ResT-ECGAN框架有效地提高了OSA检测性能,特别是在具有有限标记数据的场景中.
• 这项研究提供了一种新的方法来提高基于ECG的OSA检测深度学习模型的准确性和概括性.