通过基于语网络的心电图分析,改善心肌梗塞诊断.

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 心肌梗塞 (MI) 由于血液流动不良而导致心肌损伤,是全球主要的死亡原因.
• 由于其无症状性质和依赖主观心电图 (ECG) 解释,容易产生观察者偏见,因此诊断心脏病发作具有挑战性.
• 从心电图片中检测心脏病发作的自动化系统需要高可靠性,简单性和决策准确性,以获得临床实用性.

研究的目的:

• 开发一种可靠,准确的自动化系统,利用心电图像早期检测心血管疾病.
• 将心电图像分为三个类别:心肌梗塞,心跳异常和正常.
• 为了解决改善诊断工具的需要,在临床环境中用于MI检测.

主要方法:

• 使用了来自Mendeley数据的928张ECG图像的数据集.
• 电脑心电图像进行了预处理,并分为培训 (70%),验证 (20%) 和测试 (10%) 组.
• 采用语网络模型进行培训和分类.

主要成果:

• 开发的模型实现了98%的分类准确度.
• 该算法通过处理图像对在不平衡的数据集上表现出色.
• 验证和测试数据集的评估指标显示了近乎完美的性能.

结论:

• 基于心电图信号的早期心血管疾病检测成功开发了语网络模型.
• 这项研究强调了自动化心电图分析在改善心脏病发作诊断方面的潜力.
• 该模型的高精度和处理类不平衡的能力为临床应用提供了一个有前途的工具.