综合融合方法通过ECG和PCG信号与深度混合神经网络进行多类心脏病分类
Shivalila Hangaragi1, N Neelima2, Katarina Jegdic3
1Department of Electronics and Communication, Amrita School of Engineering-Bangalore, Amrita Vishwa Vidyapeetham, Bangalore, India.
Scientific reports
|March 8, 2025
概括
这项研究引入了一种新的方法,通过融合心电图 (ECG) 和心电图 (PCG) 信号来检测心血管疾病. 这种先进的模型准确地以97%的准确度对六种心脏病进行了分类,改善了早期诊断.
科学领域:
- 心脏病学和生物医学信号处理.
背景情况:
- 心血管疾病检测通常使用单模信号 (ECG或PCG),导致高假阳性率.
- 仅依靠心电图就会忽略心脏声,而单靠PCG就会忽略电活动变化,从而导致不完整的评估.
研究的目的:
- 开发和实施一个多类心脏病分类模型,使用ECG和PCG信号的融合.
- 提高心血管疾病检测和分类的准确性和全面性.
主要方法:
- 信号预处理和融合,接下来是波形检测 (Pan-Tompkins算法) 和信号定位 (代数整数量子化静止波形转换).
- 集群使用低级别的基于密度的应用程序空间集群与噪音,通过Heming Wayed北极熊优化进行特征选择,并使用C平方池标志BI功率激活的深度卷积神经网络进行分类.
主要成果:
- 实现了高分类准确率97%的高分类准确率,低误差率为0.03.
- 成功识别和分类了六种不同的心脏病:大动脉狭窄门疾病,三门疾病,心肌狭窄门疾病,肺门疾病,心房动和缺血性心脏疾病.
结论:
- 拟议的多模式方法显著提高了心血管疾病分类的准确性.
- 这种集成的ECG和PCG模型为早期诊断和预测心脏病提供了更强大,更可靠的方法.
