2DCNN-GRU模型的高级集成用于准确识别可冲击的危及生命的心律失常:一种深度学习方法
Abduljabbar S Ba Mahel1, Shenghong Cao1, Kaixuan Zhang1
1School of Life Science and Technology, University of Electronic Science and Technology of China, Chengdu, China.
Frontiers in physiology
|July 29, 2024
概括
一种新的混合深度学习方法可以准确地从短的心电图片片中检测出危险的节律失常. 这种方法将心电图 (ECG) 信号转换为图像,以便更好地对危及生命的心脏病进行分类.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 心血管疾病对健康构成重大风险,需要及早检测心律失常.
- 准确识别危险的心律失常对于患者的治疗结果至关重要.
- 现有的方法可能难以应对心电图 (ECG) 数据的复杂性和可变性.
研究的目的:
- 开发一种新的混合方法,使用短心电图段自动检测危险心律失常.
- 为了分类四种类型的震动性心律失常:心室,心室动,Torsade de Pointes,和高率心室高心率.
- 提高心脏病患者心律失常诊断的准确性和效率.
主要方法:
- 连续波纹转换 (CWT) 将心电图信号转换为时间频率图像 (刻度图).
- 一个新的混合深度学习神经网络架构用于图像分类.
- 利用来自PhysioNet的真实心电图数据和合成数据 (SMOTE) 来解决阶级不平衡.
主要成果:
- 提出的方法实现了高性能指标:97.75%的准确性,灵敏度,精度和F1得分,具有99.25%的特异性.
- 与传统的心律失常检测方法相比,其表现优越.
- 该模型显示了跨多个数据集的适应性和普遍性.
结论:
- 开发的混合深度学习方法为检测危险心律失常提供了高度准确和有效的工具.
- 这种方法具有显著的临床价值,可以提高危及生命的心律失常的诊断和治疗.
- 该模型的性能和适应性表明它有可能在心脏护理中得到广泛的临床应用.
