深度学习混合模型使用AlexNet和并行双分支融合网络模型进行ECG分类

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 心脏病学 心脏病学

背景情况:

• 心血管疾病是导致死亡的主要原因,需要精确的诊断方法.
• 电心电图 (ECG) 对于检测各种心脏疾病至关重要,但手动分析耗时且易出错.
• 自动化心电图分析对于提高诊断效率和准确性至关重要.

研究的目的:

• 评估AI模型的性能,特别是AlexNet和双分支模型,用于自动ECG信号分类.
• 将拟议的模型与ECG分析中的现有最先进方法进行比较.
• 展示AI在为心血管诊断提供准确和可适应的解决方案方面的潜力.

主要方法:

• 利用PTB诊断ECG数据库进行AI模型的训练和测试.
• 采用数据预处理技术,包括ECG信号的标准化,平衡和重塑.
• 实施和评估了AlexNet和ECG分类的双分支融合网络.

主要成果:

• 亚历克斯网实现了98.64%的验证准确率和99%的测试集准确率.
• 双分支融合网络模型的测试准确率达到99%.
• 这两种模型都表现出高精度,灵敏度和特异性,优于其他先进模型.

结论:

• 拟议的人工智能模型AlexNet和双分支网络在ECG分类中表现出色,准确率高达99%.
• 这些发现凸显了将机器学习集成到自动化心电图分析系统中的重大优势.
• 开发的模型为各种医疗保健环境提供可扩展和有效的解决方案,包括偏远和农村地区.