在心电图监测的任意场景中,不确定性激发的多任务学习

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
• 信号处理 信号处理

背景情况:

• 不同的心电图 (ECG) 监测场景,特别是可穿戴设备的监测场景,由于噪音和人工制造物增加了诊断的模糊性.
• 提取可靠的心电图信息需要强大的方法来处理大量的噪音和令人困惑的文物.
• 现有的模型难以处理异质数据源,难以解开ECG信号中不同类型的不确定性.

研究的目的:

• 为节拍水平心电图诊断 (UI-Beat) 提出一种以不确定性为灵感的模型,该模型解决了噪音和文物挑战.
• 开发一种用于ECG分析的确定性神经网络内解开认识和异常不确定性的方法.
• 提高ECG监测在各种应用中的可靠性和准确性.

主要方法:

• 开发了UI-Beat,这是一个双分支架构,用于分离心跳本地化和事件诊断,以处理异质数据.
• 引入了一种使用类偏差转换的新方法,以在单个阶段中解开认识论和定理不确定性.
• 利用分离的不确定性来有效选噪音,并同步识别模两可的心跳.

主要成果:

• 显著提高噪音检测性能 (91.60%至97.50%) 和文物检测 (61.40%至82.41%).
• 在多导电图分析中实现了接近最佳的心跳定位 (在175,907次心跳中15次错误阳性,9次错误阴性).
• 通过基于不确定性的交叉融合 (S节拍的平均14.28%,V节拍的3.37%) 显著改善了心跳分类.

结论:

• UI-Beat有效地过无法使用的心电图情节,并提供自信的心跳水平诊断.
• 该模型显示了对任意心电图监测场景的通用解决方案的潜力,提高了诊断可靠性.
• 受不确定性启发的深度学习提供了一种强大的方法,用于强大的心电图信号分析和解释.