通过预训练的堆叠-CNN嵌入来增强心电图信号分类:一种转移学习方法
Khadidja Benchaira1, Salim Bitam1
1Department of Computer Science, University of Biskra, BP 145 RP, 07000, Algeria.
Biomedical physics & engineering express
|April 19, 2024
概括
本研究提出了一个结合转移学习和机器学习的新框架,用于高效的心电图 (ECG) 分类. 该方法优化了ECG分析,在关键医疗保健应用中实现了高精度和计算效率.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 医疗保健中的人工智能
背景情况:
- 准确的心电图 (ECG) 分类对于临床决策至关重要.
- 现有的计算模型在平衡ECG分析的性能和效率方面面临着挑战.
研究的目的:
- 为优化心电图分类开发一个创新的计算框架.
- 将转移学习与传统的机器学习相结合,以提高效率和准确性.
主要方法:
- 使用预训练的堆叠卷积神经网络 (SCNN) 来进行高维特征嵌入.
- 使用各种机器学习分类器评估嵌入,包括多层感知器 (MLP).
- 员工从不同的数据集中转移学习,以加强分类器歧视.
主要成果:
- 许多MLP显示了计算效率和性能之间强大的平衡.
- 在CinC2017上获得高F1分:0.94 (多类) 和1.00 (二进制);在CPSC2018上获得0.85 (多类) 和0.99 (二进制).
- 拟议的框架在ECG分类基准中表现优于现有的方法.
结论:
- 深度学习特征提取和转移学习的协同作用提供了一个强大的心电图分类策略.
- 这种方法解决了关键的研究差距,提高了医疗保健的效率和适应性.
- 这些发现为未来自动化ECG分析的进步铺平了道路.
