用于检测和诊断创伤后应激障碍的心电图信号分析:利用深度学习和机器学习技术
Parisa Ebrahimpour Moghaddam Tasouj1, Gökhan Soysal2, Osman Eroğul3
1Biomedical Device Technology, Vocational School of Health Services, Ankara Medipol University, Ankara 06050, Turkey.
Diagnostics (Basel, Switzerland)
|June 13, 2025
概括
使用心电图 (ECG) 信号的人工智能可以检测创伤后应激障碍 (PTSD). 深度学习模型,特别是ResNet50,实现了超过94%的准确性,显示了对非侵入性PTSD诊断的希望.
科学领域:
- 计算神经科学是一种计算神经科学.
- 医疗信息学医学信息学
- 心血管信号处理系统的信号处理.
背景情况:
- 创伤后应激障碍 (PTSD) 是一种具有潜在心血管并发症的关键心理健康状况.
- 早期和准确的PTSD诊断对于有效治疗至关重要.
- 目前的诊断方法可能是侵入性的或耗时的.
研究的目的:
- 开发和评估用于使用心电图 (ECG) 信号检测PTSD的人工智能 (AI) 系统.
- 将深度学习 (DL) 模型与传统机器学习 (ML) 分类器的性能进行比较.
- 为了研究心电图信号段长度对分类准确性的影响.
主要方法:
- 通过使用连续波形变换 (CWT) 将心电图信号转换为时间频率图像.
- 使用了深度学习模型 (AlexNet,GoogLeNet,ResNet50) 和传统的ML分类器.
- 使用各种段长度 (5s,10s,15s,20s) 评估性能.
主要成果:
- 通过5秒的心电图段,ResNet50获得了最高的准确性 (94.92%).
- 深度学习模型显著优于传统的ML方法.
- ResNet50的曲线下的面积 (AUC) 达到0.99,表明其诊断能力很高.
结论:
- 使用ECG时间频率表示的基于CNN的模型显示PTSD分类的高精度.
- 较短的心电图信号段 (5s) 提供了最佳的性能.
- 这种人工智能驱动的方法为PTSD诊断支持提供了一个有希望的非侵入性工具.
