MLFusion:使用CNN来检测心房动的多层次数据融合.
Arlene John1, Keshab K Parhi2, Barry Cardiff3
1Biomedical Signals and Systems Group, Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente, Enschede, 7522 NB, The Netherlands.
Computers in biology and medicine
|March 2, 2025
概括
本研究介绍了一种使用卷积神经网络 (CNN) 进行改进的多传感器信号分析的新型自动化数据融合方法. 该方法通过学习最佳的融合水平并考虑信号质量,提高了诸如心房动检测等应用中的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 数据融合通过整合多传感器信号来提高仪器仪表的准确性.
- 传统的方法需要手动选择融合水平,限制了适应性.
- 准确检测心房动对于心血管健康管理至关重要.
研究的目的:
- 为多传感器多模式数据开发一种新的,自动化的数据融合方法.
- 将特征提取和融合集成到使用CNN的统一框架中.
- 将信号质量指标 (SQI) 纳入质量意识的融合.
主要方法:
- 一种使用卷积神经网络 (CNN) 进行自动化最佳融合水平选择的新型融合方法.
- 将特征提取和融合整合到一个统一的框架中.
- 将信号质量指标 (SQI) 纳入质量意识融合的输入流.
主要成果:
- 拟议的融合网络实现了99.33%的准确性和99.74%的灵敏性,用于使用心电图和PPG信号检测心房动.
- 该模型证明了对噪声输入的稳定性,突出了基于SQI的多层融合的有效性.
- 数据驱动的方法自动确定了融合信息抽象的最佳水平.
结论:
- 这种新的方法提供了一种全自动化,质量意识的方法来实现多传感器多式联络信号融合.
- 这种自我学习的融合过程消除了设计人员手动干预的需要.
- 这种方法显著推进了数据融合技术,用于改进仪器仪表和诊断应用.
更多相关视频
28:13Catheter Ablation in Combination With Left Atrial Appendage Closure for Atrial Fibrillation
Published on: February 26, 2013
33.2K
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
1.6K
