基于人工智能的心房动识别方法用于运动人工物污染的心电图信号,通过自适应过算法进行预处理
Huanqian Zhang1, Hantao Zhao2, Zhang Guo2,3
1Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences, Shanghai 200050, China.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
适应性过显著改善了人工智能检测心电图 (ECG) 信号中的心房动 (AF) 被运动工件 (MA) 损坏的信号. 这种方法提高了AF识别的准确性,这对于可穿戴的长期心电图监测至关重要.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 前庭动 (AF) 的检测依赖于长期的心电图监测.
- 电脑心电图信号中的运动器件 (MA) 阻碍了准确的AF诊断.
- 现有的AI算法在清洁的ECG数据中有效检测AF.
研究的目的:
- 评估自适应过 (ADF) 对基于AI的AF识别准确性的影响.
- 确定ADF是否可以增强AI性能,以在噪音高的心电图信号中检测AF.
主要方法:
- 人工引入了13种不同信号与噪声比的MA信号类型到AF ECG数据集中.
- 评估了AI AF在MAs的ECG上识别准确度.
- 应用ADF去除MA并重新评估AI AF识别准确性.
主要成果:
- 由于MA的存在,AI AF识别的准确性最初会降低.
- 在ADF后处理,AI AF识别精度在所有MA强度中得到改善.
- 在ADF应用后,最大的精度改进达到60%.
结论:
- 适应性过是有效的缓解运动工件干扰在心电图信号.
- ADF预处理提高了用于检测心房动的AI算法的准确性.
- 这种方法有望改善AF的可靠,长期可穿戴的ECG监测.
