提高儿科先天性心脏病检测使用定制的1D CNN算法和心电图信号
Ihtisham Ul Haq1, Ghassan Husnain2, Yazeed Yasin Ghadi3
1Department of Computer Science, Modeling, Electronics and Systems (DIMES), University of Calabria, 87036, Rende, CS, Italy.
Heliyon
|February 17, 2025
概括
一种新的深度学习模型使用心脏声音分析准确检测先天性心脏病 (CHD). 这种自动化方法提高了儿童心脏病的早期诊断.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 心脏病学 心脏病学
背景情况:
- 在全球范围内,先天性心脏病 (CHD) 影响着大约1%的婴儿,这对诊断构成了重大挑战.
- 传统的方法,如听力学和心声学,在早期和广泛的心脏病检测方面存在局限性.
- 对心电图 (PCG) 信号的自动化分析为改善诊断能力提供了一个有希望的途径.
研究的目的:
- 开发和验证一个定制的1D-CNN模型,用于用于CHD诊断的PCG信号的自动分类.
- 为婴儿先天性心脏病的早期识别提供高效准确的查工具.
- 提高儿科心脏诊断的可靠性和可访问性.
主要方法:
- 为PCG信号分类开发了一个1D-CNN模型.
- 用过 (60-650 Hz),重新采样和降噪来预处理信号.
- 应用了数据增强技术,包括块化,填充和调度转移.
- 该模型是通过局部儿科PCG信号和公共数据的综合数据集进行训练的.
主要成果:
- 1D-CNN模型实现了高诊断性能:98.56%的准确性,98.56%的精度,98.55%的F1得分.
- 灵敏度达到了0.98,特异性达到了0.99.
- 与现有方法相比,拟议的模型显示出更高的准确性和可靠性.
结论:
- 信号处理和深度学习的整合为自动化心血管疾病查提供了强大的方法.
- 开发的1D-CNN模型显示了提高儿科心脏护理临床能力的巨大潜力.
- 未来的工作将集中在多类分类和更广泛的医疗应用上,以应对数据集可变性等剩余的挑战.
