SeqAFNet:一个比特智能序列神经网络,用于粘合贴片型心电图中的心房动分类

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗器械 医疗器械

背景情况:

• 粘合贴心电图因其方便性而被广泛用于心律失常查.
• 准确检测心房动 (AF) 对于预防相关并发症至关重要.
• 现有的方法可能需要改进以提高AF分类性能.

研究的目的:

• 开发可靠的深度学习模型,以使用补丁型心电图装置改进AF分类.
• 将AF诊断与2020年欧洲心脏病学会 (ESC) 的指导方针保持一致.
• 在现实临床环境中提高AF检测的精度和灵敏度.

主要方法:

• 开发了SeqAFNet,这是一个双阶段双向循环神经网络 (RNN),具有许多对许多架构.
• 使用RR间隔来对心电图信号进行节拍分类,处理顺序数据.
• 采用组合技术,将各种时间序列的输出结合起来,以提高预测准确度.
• 从MEMO Patch和公共心电图数据库中训练并验证了临床试验数据的模型.

主要成果:

• 在补丁数据集上,SeqAFNet模型实现了高性能指标:准确度 (0.986),精度 (0.981),灵敏度 (0.979),特异性 (0.992),F1得分 (0.98).
• 该模型在不同的公共数据集中展示了一致的性能,表明了稳定性.
• SeqAFNet在捕获与AF检测相关的局部特征和长期依赖性方面被证明是有效的.

结论:

• SeqAFNet是一个强大而准确的工具,用于从粘附贴片类型心电图记录中对心房动进行分类.
• 开发的深度学习方法显示了在心律失常查中的现实应用的巨大潜力.
• 这种方法提供了一种可靠的方式来改善AF诊断,符合当前的临床指导方针.