使用深度学习技术检测和分类不健康的心跳.

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 心脏病学 心脏病学

背景情况:

• 心律失常是常见的心脏疾病,需要早期检测才能获得更好的结果.
• 对心律失常的心电图 (ECG) 的手动解释可能是不一致的.
• 需要对心电图信号进行自动分类,以提高诊断准确度.

研究的目的:

• 调查机器学习和深度学习对自动心律失常分类的有效性.
• 将传统的机器学习模型与混合深度学习方法进行比较.
• 为了优化深度学习模型,使用元启发式优化来提高性能.

主要方法:

• 利用MIT-BIH数据集进行心电图信号分析.
• 比较梯度提升机 (GBM) 和多层感知器 (MLP) 模型.
• 开发并评估了一种混合的1D-CNN-LSTM深度学习模型.
• 使用灰狼优化器 (GWO) 来对1D-CNN-LSTM模型进行超参数调整.

主要成果:

• 拟议的1D-CNN-LSTM模型实现了97%的高精度.
• 混合深度学习模型显著优于经典机器学习模型 (GBM,MLP).
• 分类报告和混矩阵证明了该模型在识别不同类型心律失常时的稳定性.

结论:

• 混合深度学习模型,通过像GWO这样的元启发算法进行优化,显示了自动心律失常检测的重大前景.
• 这种方法为手动ECG解释提供了更准确和更一致的替代方案.
• 整合先进的人工智能技术可以大大改善心脏病管理中的临床结果.