基于EfficientNet的机器学习架构,用于在临床单线心电图信号数据集中识别睡眠呼吸暂停
Meng-Hsuan Liu1, Shang-Yu Chien1, Ya-Lun Wu1
1Artificial Intelligence Center, China Medical University Hospital, No. 2, Yude Rd, North Dist, Taichung, Taiwan.
Biomedical engineering online
|June 20, 2024
概括
一个新的机器学习模型有效地使用心电图 (ECG) 信号识别阻塞性睡眠呼吸暂停 (OSA). 这种先进的方法在检测OSA模式和查患者方面表现出很高的准确性,为改善诊断铺平了道路.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 心脏病学 心脏病学
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 是一种影响心血管健康的普遍疾病.
- 准确和易于使用的OSA诊断工具对于及时干预至关重要.
- 电心电图 (ECG) 信号为OSA检测提供了一个潜在的非侵入性来源.
研究的目的:
- 开发一种机器学习架构,用于识别单导电心电图信号中的OSA模式.
- 使用临床数据集在检测OSA方面实现高性能.
- 评估模型在现实世界临床环境中的有效性.
主要方法:
- 利用来自中国医学大学医院的1656名不同患者的数据集.
- 雇员EfficientNet用于自闭症段检测和从心电图中提取特征.
- 比较数据预处理技术,如重叠切片和样本重量.
- 集成训练模型与XGBoost进行患者查 (AHI>30).
主要成果:
- 使用重叠切片和样本重量的EfficientNet实现了0.917的AUC和0.855的无呼吸部位检测准确度.
- 结合XGBoost的组合模型产生了0.975的AUC和0.928的精度,用于查患有严重OSA的患者.
- 在PhysioNet数据上的表现与OSA查的现有文献模型相比较.
结论:
- 拟议的机器学习架构和优化训练技术在OSA诊断方面表现强.
- 该模型与多样化的人口数据集的有效性支持其实际临床实施的潜力.
- 这项研究推进了使用心电图的OSA非侵入性检测,有助于改善患者护理.
