通过使用时间频率特征和3D卷积神经网络,对心肌梗塞患者和健康对照者之间的心脏电信号进行分类
Muqing Deng1,2, Boyan Li2, Mingying Ma2
1Center of Preventive Disease, The People's Hospital of Yangjiang, Yangjiang, People's Republic of China.
Biomedical physics & engineering express
|October 27, 2025
概括
本研究引入了一种自动化方法,用于检测心肌梗塞 (MI),使用心电图 (ECG) 的时间频率特征和3D深度学习. 该方法在从心电图信号中分类心脏病发作时达到很高的准确性,有助于更快的诊断.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 生物医学信号处理
背景情况:
- 电心电图 (ECG) 信号的分类对于心肌梗塞 (MI) 检测至关重要.
- 目前的心电图解读是耗时的,需要专家心脏病专家.
研究的目的:
- 开发一种使用心脏时间频率特征和3D卷积神经网络 (C3D) 的自动化MI检测方法.
- 为了提高MI查的效率和准确性.
主要方法:
- 使用时间频谱谱的ECG特征表示.
- 应用一种新的3D卷积神经网络 (C3D) 进行深度特征学习.
- 使用所有十二个心电图线路进行全面的心脏特征分析.
主要成果:
- 在PTB数据库中实现了94.20% (2倍),96.20% (5倍) 和97.32% (10倍) 的分类准确度.
- 该方法有效地捕获时间变化的ECG信号的动态特征.
- 在两类分类中表现出高性能 (MI vs. 健康的控制).
结论:
- 基于时间频率特征和3D C3D网络的拟议自动化方法为MI检测提供了一个有前途的方法.
- 这种技术可以减少诊断时间和对专家解释的依赖.
- 该方法显示了在MI查中临床应用的重大潜力.


