基于多个尺度和层次特征的多心电图的分类卷积神经网络
Feiyan Zhou1,2, Duanshu Fang3,4
1Key Lab of Education Blockchain and Intelligent Technology, Ministry of Education, Guangxi Normal University, Guilin, 541004, China. zhfyyf15@126.com.
Scientific reports
|May 12, 2025
概括
这项研究引入了一种新的深度学习模型,用于使用心电图 (ECG) 来分类心律障碍. 先进的卷积神经网络 (CNN) 与编码器注意力 (LEA) 有效地集成了心电图功能,提高了心律失常检测的准确性.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 检测心律失常对于诊断心血管疾病至关重要.
- 目前的深度学习方法很难有效地整合形态和时间ECG特征.
- 需要一种新的方法来提高多电图分类的准确性.
研究的目的:
- 开发和验证一个深度学习模型,用于准确的多线程心电图分类.
- 解决ECG形态和时间特征整合现有方法的局限性.
- 改善心律失常的检测和分类,以便更好地诊断心血管疾病.
主要方法:
- 建议建立一个卷积神经网络 (CNN),该网络包含混合尺度和层次特征.
- 编码器注意力 (LEA) 机制被整合到多心电图分类中.
- 该模型在MIT-BIH心律失常 (MIT-BIH-AR) 和中国心血管疾病数据库 (CCDD) 上使用内科和内科方法进行了验证.
主要成果:
- 该模型在MIT-BIH-AR数据库上对正常和异常心跳进行分类时达到99.5%的准确性.
- 在CCDD上,该模型实现了78.5%的TPR95和88.5%的正常/异常心电图记录分类的准确性.
- 交叉数据集实验证明了该模型具有强大的概括能力.
结论:
- 拟议的带有LEA机制的CNN有效地整合了ECG的形态和时间特征,以改善心律失常的分类.
- 该模型显示了高精度和强大的概括性,为心血管疾病诊断提供了有前途的工具.
- 这种方法促进了深度学习应用在分析复杂的心电图数据的临床用途.
