一个CNN和变压器混合网络用于从光电脉冲扫描中检测多类心律失常

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 心脏病学 心脏病学

背景情况:

• 可穿戴技术使得基于光电脉冲图 (PPG) 的心律失常检测能够用于早期诊断.
• 由于特征提取挑战,目前的方法难以检测多类心律失常.
• 开发强大的算法来识别来自PPG信号的多种心律失常是至关重要的.

研究的目的:

• 引入一种新的混合卷积神经网络 (CNN) 变压器模型,用于多类心律失常检测.
• 通过整合PPG信号的本地和全球依赖性来增强特征提取.
• 从PPG数据中提高检测多种类型心律失常的准确性.

主要方法:

• 一个混合CNN-变压器网络被开发出来,它结合了卷积运算和自我注意机制.
• 实现了带有频道注意力的特征融合层,以集成本地和全球PPG信号特征.
• 该模型在分类鼻节律和五种常见心律失常方面进行了评估.

主要成果:

• 混合型号实现了高性能指标:87.0%的精度,87.1%的回忆,86.8%的F1分数.
• 与现有的最先进的技术相比,提出的方法显示出更高的性能.
• 达到了精确的鼻节律分类和五种不同的心律失常类型.

结论:

• 混合CNN变压器网络显示出对准确的多类心律失常检测有显著前景.
• 这种方法有效地捕捉了从PPG信号中改进心律失常分类的歧视性特征.
• 这些发现支持先进的人工智能模型在可穿戴式心脏监测方面的潜力.