一个神经网络通过PPG检测心房动

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 心房动 (AF) 是一种常见的心律失常,导致严重的健康问题,如中风.
• 目前的AF检测方法在可访问性和可扩展性方面面临挑战.
• 早期发现AF对于有效的患者管理至关重要.

研究的目的:

• 开发一个预测神经网络模型,用于使用智能手机衍生的光电显微镜 (PPG) 信号检测心房动 (AF).
• 探索使用现有技术进行可扩展的心律失常查的可行性.
• 建立心血管疾病监测数字健康解决方案的基础.

主要方法:

• 利用了通过智能手机应用程序捕获的光电显微镜 (PPG) 信号.
• 收集了学生参与者的数据,并增加了开源数据集.
• 使用TensorFlow开发和训练了一个多层感知器 (MLP) 神经网络.
• 使用精度,灵敏度,特异性和F1分数来评估模型性能.

主要成果:

• 开发的多层感知子 (MLP) 模型在检测心房动时实现了初始准确度约为75%的结果.
• 结果表明PPG信号在非侵入性AF查中的潜力.
• 需要进一步优化,以提高预测准确度和减少假阳性率.

结论:

• 基于智能手机的PPG信号提供了一个可行的,可访问的工具,用于初步检测心房动.
• 开发的神经网络模型显示了可扩展的数字健康应用的前景.
• 持续的研究和验证对于临床实施和融入奥地利数字心脏计划等计划至关重要.