GDT-Net:多级特征提取网络,用于精确诊断心房动和心室动

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 正确诊断心房动 (AFIB) 和心室动 (VFIB) 对心血管健康至关重要.
• 深度学习模型对心电图分析有前途,但与复合噪声作斗争.
• 需要强大的心电图分类来可靠地自动诊断心律失常.

研究的目的:

• 开发一个新的神经网络,GDT-Net,用于在复合噪声下进行可靠的心电图分类.
• 在具有挑战性的条件下提高AFIB和VFIB检测的诊断准确度.
• 提高自动心血管疾病诊断的可靠性.

主要方法:

• 提出GDT-Net,一个神经网络,用于ECG信号分析的G,D和T模块.
• G模块:用于特异性特征提取的分组卷积.
• 模块D:密集连接的架构,用于空间相关性和多诊断.
• T模块:用于时间依赖和远程特征建模的变压器编码器.

主要成果:

• 在MIT-BIH数据集上,GDT-Net获得了高的F1分数:99.46% (内科患者) 和97.20% (内科患者).
• 在复合噪声条件下,大多数子集的F1分数保持在90%以上.
• 在AFIB和VFIB分类表现方面显著改善.

结论:

• GDT-Net为ECG分类提供了强大而有效的解决方案,特别是在复合噪声下.
• 拟议的网络增强了AFIB和VFIB等关键心律失常的自动诊断.
• GDT-Net的表现突显了其在心血管诊断中可靠临床应用的潜力.