使用深度卷积散射网络和机器学习研究静止性假设对心力衰竭检测的影响
Mohamed Elmehdi Ait Bourkha1, Dounia Nasir2
1Information Technology and Modeling Team Laboratory (LTIM), National School of Applied Sciences (ENSA) of Marrakech, Cadi Ayyad University (UCA), 40000, Marrakech, Morocco. mehdibourkha123@gmail.com.
Scientific reports
|July 31, 2025
概括
一个新的深度学习模型通过ECG信号准确地检测心血管疾病 (CVD). 这种方法利用波纹散射网络和静止假设来可靠地早期检测心脏病.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 心血管疾病 (CVD) 是全球主要的死亡原因,死亡率不断上升.
- 早期发现心血管疾病对于有效管理和改善患者的治疗结果至关重要.
- 目前用于ECG信号分析的方法在准确性和可靠性方面面临挑战.
研究的目的:
- 开发一种可靠的模型,利用心电图信号早期检测心血管疾病 (CVD).
- 将心电图信号分为正常鼻腔节律 (NSR),心律失常节律 (ARR) 和充血性心力衰竭 (CHF).
- 在患者间模式下增强自动心血管疾病检测.
主要方法:
- 一个深度卷积波纹散射网络 (WSN) 用于心电图信号的分类.
- 患者内心心电图节律的静止假设被整合到模型中.
- 一个线性歧视 (LD) 分类器与WSN和静止假设一起使用.
主要成果:
- 拟议的模型在所有三个类 (NSR,ARR,CHF) 中都实现了高分类性能.
- 实现了总体准确率为99.61%,精度为99.65%,灵敏度为99.35%,特异性为99.74%,F1得分为99.49%.
- 证明了WSN和静止假设在患者间CVD检测中的有效性.
结论:
- 开发的方法提供了一种可靠和准确的方法,用于自动检测ECG信号的心血管疾病.
- 整合WSN,LD分类器和静止假设显著改善了分类结果.
- 这种模式有望促进心血管疾病的早期检测和管理.
