PCSCN:用于大规模声心图数据清理和增强的质量评估模型

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 心脏病学数据分析数据分析

背景情况:

• 大规模心电图 (PCG) 数据对于在临床研究中推进数据驱动的心声分类模型至关重要.
• 临床环境通常会产生低质量的PCG信号,因此必须排除它们以进行可靠的分析.
• 现有的PCG质量评估方法依赖于手动的特征提取,这可能是低效和不太准确的.

研究的目的:

• 引入一种用于声心图 (PCG) 信号的新型自动化质量评估模型.
• 提高大型PCG数据集的可靠性和可用性.
• 评估PCG数据质量的提高对下游分类模型性能的影响.

主要方法:

• 开发并行通道序列卷积网络 (PCSCN),用于自动检测和删除低质量的PCG信号.
• 在PCSCN中使用低复杂性功能和多通道序列架构,以提高准确性和效率.
• 在对数据库清理的受控实验中应用PCSCN,并随后验证其对PCG分类模型的影响.

主要成果:

• 在公开数据集上,PCSCN实现了95.45%的准确性和95.44%的F1分数.
• PCSCN处理了7220名受试者的PCG数据,以便在515.76秒内清理数据库.
• 使用PCSCN增强数据训练的PCG分类模型在多个指标上显示出更好的性能.

结论:

• PCSCN是清理大规模PCG数据库的可靠和高效工具.
• 通过提高培训数据质量,PCSCN显著提高了PCG分类模型的临床决策能力.
• PCSCN准备增加PCG数据的价值,用于临床研究和应用.