高阶光谱分析与卷积神经网络相结合,用于检测心房动-初步研究
Barbara Mika1, Dariusz Komorowski1
1Faculty of Biomedical Engineering, Department of Medical Informatics and Artificial Intelligence, Silesian University of Technology, Roosevelt 40, 41-800 Zabrze, Poland.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
早期发现心房动 (AFIB) 是至关重要的. 这项研究引入了对心电图 (ECG) 信号与卷积神经网络 (CNN) 的双光谱分析,以改进AFIB预测.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 人工智能在医学中的应用
背景情况:
- 全球心房的患病率正在上升,这给公共卫生带来了重大挑战.
- 早期和准确的AFIB检测仍然是一个关键的未满足需求,推动研究先进的预测和管理方法.
- 电心电图 (ECG) 信号虽然具有信息性,但本质上是非静止的,非线性和非高斯式的,使传统分析复杂化.
研究的目的:
- 提出和评估一种新的自动心房动 (AFIB) 检测方法,使用ECG信号的更高阶光谱分析.
- 调查双光谱分析的有效性,一个更高阶的光谱技术,捕捉复杂的心电图信号的基本特征.
- 将拟议的卷积神经网络 (CNN),AFIB-NET的性能与预先训练的GoogleLeNet模型进行AFIB分类进行比较.
主要方法:
- 利用高阶光谱分析,特别是双光谱,从非静止,非线性心电图信号中提取特征.
- 将2D双光谱图像转换为两种不同的CNN架构的输入数据:AFIB-NET和修改后的GoogLeNet.
- 使用MIT-BIH心房动数据库 (AFDB) 评估性能,重点关注灵敏度,特异性和ROC曲线下的区域 (AUC).
主要成果:
- 拟议的AFIB-NET在AFIB检测方面实现了95.3%的灵敏度,93.7%的特异性和98.3%的AUC.
- 经过修改的GoogLeNet模型显示灵敏度为96.7%,特异性为82%,AUC为96.7%.
- 初步发现表明,双光谱图像是2D CNNs在检测AFIB节律方面的有效输入.
结论:
- 双光谱分析与二维CNN相结合,为准确检测心房提供了一个有希望的方法.
- 拟议的AFIB-NET模型显示了竞争性性能,突出了针对生物医学信号分析量身定制的CNN架构的潜力.
- 这种方法有助于推进自动AFIB预测和管理策略,解决一个关键的公共卫生问题.
