一种新的诊断方法将双通道SE-ResNet与专家功能相结合,用于患者间的心跳分类
Jinlei Liu1, Yunqing Liu1, Yanrui Jin1
1School of Mechanical Engineering, Shanghai Jiao Tong University, 800 Dongchuan Road, Shanghai 200240, China; MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University, China.
Medical engineering & physics
|August 19, 2024
概括
这项研究引入了一种改进的深度学习方法,用于对心电图 (ECG) 心跳进行分类,从而提高心律失常检测的准确性. 这种新的方法将神经网络与专家特征融合在一起,实现高F1得分,可靠地监测心血管疾病.
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:
- 心血管疾病 (CVD) 是一个日益严重的全球健康问题,需要先进的诊断工具.
- 自动化心电图 (ECG) 分析以检测心律失常对于及时干预至关重要.
- 现有的机器学习和深度学习方法在患者间心跳分类准确性方面面临挑战.
研究的目的:
- 开发一种可靠的方法来进行患者间心跳分类,采用融合深度学习和专家特征方法.
- 提高自动心律失常检测系统的准确性和可靠性.
- 为了应对在单个心律失常类别中低分类率的挑战.
主要方法:
- 来自两个导线的心电图信号进行了预处理,过和正常化.
- 一个双通道的挤压和刺激残留神经网络 (SE-ResNet) 与九个专家提取的特征合并.
- 该模型使用了不同的过器和内核大小,以实现有效的长期特征学习和对类不平衡的焦点损失.
主要成果:
- 拟议的方法在MIT-BIH数据库中获得了83.39%的F1总分.
- 该系统证明了对长期心跳特征和上下文信息的有效学习.
- 焦点损失功能成功地处理了不平衡的心跳类别.
结论:
- 合并的SE-ResNet和专家特征方法显著提高了患者间心跳分类的准确性.
- 该系统为自动ECG分析和心律失常诊断提供了可靠的解决方案.
- 该方法有可能在日常心电图监测和临床环境中得到广泛应用.
