基于使用PTB-X数据集的ECG信号进行心律失常分类的可解释深度学习模型
Ahmed E Mansour Atwa1, El-Sayed Atlam2,3, Ali Ahmed4
1Electronics and Communication Department, College of Engineering and Computer Science, Mustaqbal University, Buraydah 51411, Saudi Arabia.
深度学习模型准确地对心电图 (ECG) 信号失常进行早期心血管诊断. 这些自动化方法比手动解释提供了更好的准确性和可解释性.
科学领域:
- 心脏病学 心脏病学
- 医学诊断 医学诊断 医学诊断
- 人工智能的人工智能
背景情况:
- 心血管疾病需要早期检测,心电图 (ECG) 节律失常是关键指标.
- 手动ECG解释是耗时的,容易出现人为错误,这推动了对自动诊断解决方案的需求.
- 深度学习 (DL) 擅长识别原始心电图信号中的复杂模式,提供了可扩展的方法.
研究的目的:
- 开发和评估深度学习模型用于自动ECG心律失常分类.
- 通过使用人口统计数据和先进的预处理来评估定制CNN和修改的VGG16模型的性能.
- 通过可解释的心电图分析来提高临床透明度.
主要方法:
- 开发了定制的双分支CNN,并适应了VGG16模型用于多分支输入,处理心电图信号和人口统计数据.
- 利用大规模的PTB-XL心电图数据集进行二进制,多类和子类分类任务.
- 应用先进的预处理技术和集成的人口特征来提高模型性能.
主要成果:
- 定制的CNN模型在二进制分类任务中达到97.78%的准确性,在多类分类任务中达到79.7%.
- 这两种模型都超过了现有的基准,包括CNN-LSTM和CNN特征.
- 可解释性分析为ECG贡献提供了具体的洞察力.
结论:
- 开发的深度学习模型显示出高准确性和可靠,可解释性心律失常检测的潜力.
- 这些模型在心血管诊断中显示出实际应用的前景.
- 使用DL的自动心电图分析可以显著帮助早期发现和管理心脏病.
更多相关视频
08:22Author Spotlight: Advancing the Study of Brain-Heart Interplay with a Comprehensive EEGLAB Plugin for Multimodal Signal Analysis
Published on: April 26, 2024
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
相关概念视频
Dysrhythmias II: Classification of Tachyarrhythmias
ECG Interpretation of Arrhythmias II: Atrial, Junctional and Ventricular Arrhythmias
Dysrhythmias V: Evaluating Dysrhythmias
ECG Interpretation of Arrhythmias I: Sinus Arrhythmias
Types of Arrhythmias
Sinus Node Arrhythmias
Sinus Bradycardia: Originating from the sinoatrial (SA) node, sinus bradycardia involves slower impulses, resulting in a heart rate of less than 60 beats per minute (bpm). Causes include sleep, vagal stimulation, beta-blockers, hypothyroidism,...
Dysrhythmias III: Characteristics of Dysrhythmias
Disturbances in Heart Rhythm
Arrhythmias are categorized by their speed, rhythm, and origin. A slow heart...
