基于时间-频率双域注意力融合的PPG信号失常的多重分类模型

科学领域:

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

背景情况:

• 心律失常是心脏突然死亡的主要原因,需要早期检测和持续监测.
• 摄影电位图 (PPG) 信号提供了一种非侵入性,低成本的方法来评估心脏活动,但它们的非静止性和个体间的变化使心律失常的分类复杂化.
• 现有的方法与PPG信号的复杂性和可变性作斗争,以准确检测心律失常.

研究的目的:

• 开发一种先进的深度学习模型,使用PPG信号准确地分类心律失常.
• 为了应对PPG信号非静止性和个体间变异所带来的挑战.
• 通过加强PPG信号分析,改善心血管疾病的早期诊断和监测.

主要方法:

• 提出了一种新的融合深度多域注意网络 (融合-DMA-Net),采用跨度剩余注意结构.
• 实施了融合策略,使用交互式注意力,自我注意力和封闭机制来整合时间和频率域特征.
• 评估了模型在使用单通道PPG数据对四种主要类型的心律不整进行分类方面的表现.

主要成果:

• 融合-DMA-Net实现了卓越的分类性能,总体准确率为99.05%.
• 该模型在识别心律不整时表现出高精度 (99.06%) 和F1得分 (99.04%).
• 实验结果验证了该模型在从单通道PPG信号分类心律失常方面的有效性.

结论:

• 融合-DMA-Net模型是可行的,并且非常有效地使用PPG信号对心律失常进行分类.
• 这种方法有助于早期诊断和治疗心血管疾病.
• 这些发现支持可穿戴健康技术的发展,用于持续的心脏监测.