便携式心电图和PCG无线采集系统和多尺度CNN功能融合Bi-LSTM网络用于冠状动脉疾病诊断

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:

• 冠状动脉疾病 (CAD) 是导致死亡的主要原因,特别是在老年人群中.
• 及时准确地诊断CAD对于有效的患者管理和改善结果至关重要.
• 当前的诊断方法在可访问性和实时应用方面可能存在局限性.

研究的目的:

• 开发和验证一个便携式,人工智能驱动的无线设备,用于使用ECG和PCG信号同步检测CAD.
• 通过先进的信号处理和机器学习技术,提高CAD诊断的可靠性和准确性.
• 为临床环境中实时CAD检测提供实用和可行的解决方案.

主要方法:

• 一个便携式无线设备被设计为同时捕获心电图 (ECG) 和心电图 (PCG) 信号.
• 用一个隐藏的半马尔科夫模型来验证获取信号的数据质量.
• 一个多尺度卷积神经网络 (CNN) 功能融合模型被用于从心电图和PCG数据中提取功能.
• 一个双向长期短期内存 (Bi-LSTM) 网络处理了用于CAD检测的融合特征.

主要成果:

• 拟议的人工智能驱动系统在CAD检测方面展示了令人印象深刻的诊断指标.
• 该设备在实践测试中保持了可靠的性能,表明其临床适用性.
• 信号采集,验证和AI分析的综合方法被证明是有效的.

结论:

• 开发的便携式无线设备为CAD诊断提供了实用和技术可行的解决方案.
• 该系统利用先进的神经网络架构 (CNN,Bi-LSTM) 进行强大的临床应用.
• 这项技术有可能提高冠状动脉疾病的早期检测率和管理.