通过使用多分支CNN来提高心血管疾病在心电图谱中的分类

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 心血管疾病 (CVD) 构成了全球健康的重大威胁,需要准确的早期检测.
• 电心电图 (ECG) 对于诊断心血管疾病至关重要,但手动解释可能具有挑战性.
• 人工智能 (AI),特别是深度学习 (DL),显示出从心电图数据自动化CVD分类的希望.

研究的目的:

• 提出并比较1D CNN,2D CNN和多分支CNN (MB-CNN) 模型的性能,用于从心电图中分类心血管疾病.
• 评估将1D电图转换为2D光谱图的有效性,以提高分类准确度.
• 开发一个高精度的人工智能模型,用于早期检测各种心血管疾病.

主要方法:

• 一维 (1D) 卷积神经网络 (CNN) 应用于原始心电图信号.
• 使用连续波波变换 (CWT) 将1D ECG信号转换为2D-ECG光谱图.
• 用二维 (2D) CNN和拟议的多分支CNN (MB-CNN) 来分类这些光谱图.

主要成果:

• 1D CNN实现了97.60%的最大性能.
• 应用于CWT生成的光谱图的2D CNN达到了98.46%的最大精度.
• 拟议的MB-CNN模型表现出卓越的性能,在分类五种心血管疾病类型方面达到99.34%的平均测试准确率,在5类心电图分类方面达到99.22%的平均测试准确率.

结论:

• 深度学习模型,特别是MB-CNN,显著提高了从心电图数据中对心血管疾病分类的准确性.
• 将1D心电图转换为2D谱图,并采用先进的CNN架构,可以提高诊断性能.
• 开发的MB-CNN模型显示,对心血管疾病的准确和早期预测具有很高的潜力,有助于降低死亡率.