[基于多尺度现场残留块聚变与修改频道注意力的心肌梗塞检测和定位模型]

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 心肌梗塞 (MI) 诊断在很大程度上依赖于心电图解释,但准确性可能有限.
• 自动化MI检测和定位可以显著帮助临床决策.

研究的目的:

• 开发和评估一种新的AI模型,用于使用II ECG信号精确检测和定位MI.
• 为了提高心脏病发作的诊断准确性,协助临床医生及时有效地做出决策.

主要方法:

• 开发了一种多尺度的现场残留块融合修改通道注意力 (MSF-RB-MCA) 模型.
• 该模型的过程引发II电图信号,提取多层次的特征,并增强了MI区域焦点的注意力机制.

主要成果:

• 在PTB数据集上,MSF-RB-MCA模型实现了99.96%的MI检测准确率和99.81%的MI定位准确率.
• 在检测和定位任务中报告了异常的灵敏度和特异性,超过了现有的模型.

结论:

• 拟议的MSF-RB-MCA模型在AI驱动的MI检测和ECG数据的定位方面表现出高效.
• 它的性能表明,它有可能被整合到用于持续心脏监测的可穿戴设备中.