多尺度扩展卷积神经网络用于心房的检测.
Lingnan Xia1, Sirui He2, Y-F Huang1
1Henan High-speed Railway Operation and Maintenance Engineering Research Center, Zhengzhou Railway Vocational and Technical College, Zhengzhou, China.
PloS one
|June 3, 2024
概括
一个新的多尺度扩展卷积 (AF-MSDC) 框架提供了从心电图数据中有效和准确地检测心房. 这种低成本,高效的模型超越了当前的方法,使得早期诊断和集成到可穿戴设备.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
背景情况:
- 心房动 (AF) 是一种常见的心律不整,随着年龄的增长而增加,增加中风和死亡风险.
- 目前的自动化AF监控方法难以平衡精度和计算效率.
- 需要有效,低成本和高效的AF检测解决方案.
研究的目的:
- 引入一个新的框架,AF-MSDC,用于精确和计算高效的心房的检测.
- 开发和评估多尺度扩展卷积 (MSDC) 模块,用于从心电图数据中提取多尺度特征.
- 为了在预测准确度和计算资源利用率之间实现最佳平衡.
主要方法:
- 开发了一个名为AF-MSDC的框架,集成了三个多尺度扩展卷积 (MSDC) 模块.
- 在已建立的数据集上训练并验证了AF-MSDC模型:MIT-BIH心脏动数据库和Physionet挑战2017.
- 将AF-MSDC性能与AF检测中的最先进 (SOTA) 方法进行比较.
主要成果:
- 与现有的SOTA方法相比,AF-MSDC模型显示出更高的性能.
- 在MIT-BIH AFDB数据集上实现了高灵敏度 (99.45%) 和特异性 (99.64%).
- 在2017年AFDB数据集的Physionet挑战中获得了85.63%的[公式:见文本]得分.
- 该模型仅使用ResNet参数的四分之一,突出其计算效率.
结论:
- AF-MSDC框架提供了一个高度准确和高效的解决方案,用于自动检测心房动.
- 其较低的计算足迹使其非常适合集成到边缘计算框架和可穿戴心电图设备中.
- 这项创新对早期AF诊断具有重大潜力,可以改善患者的治疗结果,并减少医疗保健负担.
