深度学习用于使用基于波形变换的视觉图像对心房的分类

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 在全球范围内,心房动 (AF) 的发病率正在上升,这增加了对有效诊断工具的需求.
• 电心电图 (ECG) 信号分析对于诊断AF至关重要.
• 莫尔斯连续波形转换 (MsCWT) 是一种新兴的ECG信号特征提取技术.

研究的目的:

• 研究MsCWT在使用心电图信号对AF进行分类方面的有效性.
• 开发和评估基于MsCWT衍生的心电图像的AF检测深度学习模型.

主要方法:

• 使用莫尔斯连续波形变换 (MsCWT) 来从心电图信号中提取特征.
• 开发了一个深度学习机器,根据MsCWT生成的图像对AF进行分类.
• 在ECG数据集上训练,验证和测试深度学习模型.

主要成果:

• 实现了高平均准确率:97.94% (培训),97.84% (验证) 和91.32% (测试).
• 获得了优秀的F1总体成绩:97.13% (培训),96.86% (验证) 和89.41% (测试).
• 接收器运行特征曲线 (AUC ROC) 下的证明面积值在培训/验证时超过0.99,在测试组中超过0.9679.

结论:

• 用基于MsCWT的ECG图像训练的深度学习模型在AF分类方面表现优越.
• MsCWT技术显著提高了ECG分析中的诊断结果.
• 这种方法有望改进超越心电图的各种基于信号的诊断应用.