基于ResNet-ICBAM-2DCNN双通道特征融合的心律失常的分析
Chuanjiang Wang1, Junhao Ma1, Guohui Wei2
1College of Electrical Engineering and Automation, Shandong University of Science and Technology, Qingdao 266590, China.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
这项研究使用先进的心电图 (ECG) 信号处理来增强心律不整的分类. 一种新的双通道特征融合策略实现了97.80%的准确性,改善了心血管疾病管理.
科学领域:
- 心脏病学和生物医学工程
- 医疗保健中的人工智能
- 信号处理 信号处理
背景情况:
- 心血管疾病 (CVD) 是一个主要的全球健康问题,心律失常是常见的并发症.
- 准确的心律失常分类对于有效的心血管疾病管理和患者的治疗结果至关重要.
- 当前的ECG分析方法在准确性和客观性方面面临挑战.
研究的目的:
- 引入创新的双通道功能融合策略,用于增强心电图 (ECG) 信号处理.
- 为了提高心律失常分类的准确性和客观性.
- 推进ECG分析的临床应用,以改善患者护理.
主要方法:
- 使用了改进的完整合奏实证模式分解与适应噪声 (ICEEMDAN) 和波形值来降低噪声.
- 采用ResNet-ICBAM模型用于主要道的特征提取.
- 将1D心电图信号转换为格拉姆角差异场 (GADF),马尔科夫过渡场 (MTF) 和复发图 (RP),用于二次通道中的2D-CNN特征提取.
- 来自两个通道的融合特征用于最终分类.
主要成果:
- 在MIT-BIH心律失常数据库中获得了97.80%的分类准确率.
- 与现有方法相比,整体性能显著改善.
- 双通道特征融合策略,结合2D卷积网络,被证明是非常有效的.
结论:
- 拟议的双通道特征融合方法为心律失常分类的ECG信号处理提供了实质性的进步.
- 这种方法提高了准确性和客观性,具有临床应用的巨大潜力.
- 该方法有望提高心血管疾病管理中的患者护理效率和精度.


