从使用多分支ResNet的单导电心电图自动识别心房动
Jianxin Xie1, Stavros Stavrakis2, Bing Yao3
1School of Data Science, University of Virginia, Charlottesville, VA, United States.
Frontiers in physiology
|April 24, 2024
概括
本研究引入了一种深度学习模型,用于使用心电图 (ECG) 自动检测心房动 (AF). 这种新方法可以准确地识别AF,提高诊断效率和可靠性.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
背景情况:
- 心房动 (AF) 是一种常见的心律失常,增加了中风风险.
- 目前通过心电图检测AF是耗时的,容易出现人为错误.
- 自动诊断工具对于及时准确地识别AF至关重要.
研究的目的:
- 开发一种先进的深度学习模型,用于从单线心电图中自动检测AF.
- 为了提高AF诊断的准确性和效率.
- 为医疗专业人员提供可靠的决策支持系统.
主要方法:
- 利用连续波波变换 (CWT) 来从心电图信号中提取时间频率特征.
- 用剩余学习增强的卷积神经网络 (ReNet) 来进行特征解释.
- 将多分支结构纳入ResNet,以处理ECG数据集中的类不平衡.
主要成果:
- 拟议的CWT-MB-Resnet在PhysioNet数据集上获得了F1评分0.8865的F1评分.
- 该模型在OUHSC数据集上显示了0.7369的F1得分.
- 展示了强大的性能,有效地平衡精度和回忆,用于可靠的医学诊断.
结论:
- CWT-MB-Resnet模型为自动化AF检测提供了一个有前途的解决方案.
- 深度学习方法提高了对心房的诊断准确性和效率.
- 这种方法为支持心脏病学临床决策提供了有价值的工具.


