一个基于智能手机的M-健康监测系统用于心律失常诊断

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:

• 对于心律失常检测的深度学习模型面临的挑战是时间信息,众多参数和噪声灵敏度.
• 现有的方法难以通过噪音较大的长期心电图 (ECG) 信号进行准确的诊断.

研究的目的:

• 开发基于智能手机的移动健康系统,以准确有效地诊断心律失常.
• 克服当前深度学习模型在ECG信号处理和分析方面的局限性.

主要方法:

• 一个基于循环生成对抗网络 (GAN) 的模型被设计为ECG denoising,利用无监督的预训练来实现更快的融合.
• 开发了一个时间卷积网络 (TCN) 模型用于心律失常的分类,该模型能够从八导心电图数据中识别34种常见的心律失常类型.
• 在Android平台上部署了TCN模型,用于家庭ECG监测应用程序.

主要成果:

• 拟议的ECG消噪模型有效地消除现实世界的噪声,优于现有的降噪技术.
• 基于TCN的心律失常诊断模型实现了34个常见心律失常事件的高识别准确性.
• 与现有方法相比,该系统在无噪声,精度,模型大小和操作速度方面表现出卓越的性能.

结论:

• 开发的基于智能手机的m-health系统为心律失常诊断提供了强大的解决方案,适合移动部署.
• 循环-GAN用于无声化和TCN用于诊断的组合为家庭心电图监测服务提供了显著的改进.