相关实验视频
Updated: Apr 26, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
732
数据增强增强的心肌梗塞分类和定位使用ResNet转换器级联网络.
Yunfan Chen1, Qi Gao1, Jinxing Ye1
1Hubei Key Laboratory for High-Efficiency Utilization of Solar Energy and Operation Control of Energy Storage System, Hubei University of Technology, Wuhan 430068, China.
Biology
|October 29, 2025
概括
这项研究引入了一个ResNet-Transformer级联网络 (RTCN),用于使用心电图 (ECG) 信号改善心肌梗塞 (MI) 诊断. 这种新方法通过更好地利用动态心脏信息和解决数据不平衡,提高了准确性.
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:
- 准确的心肌梗塞 (MI) 诊断对于公共健康至关重要.
- 在心电图分析中,传统的手动特征提取是有限的.
- 现有的深度学习模型与动态心脏信息,全球/本地特征捕获和数据不平衡作斗争.
研究的目的:
- 提出一种新的深度学习模型,用于基于心电图 (ECG) 的强化心脏病发作的诊断.
- 改进动态信息的利用,捕捉全球和本地ECG特征.
- 解决ECG数据集中的数据不平衡问题,以实现更强大的分类.
主要方法:
- 利用S变换从心电图信号中提取全球时间频率特征,捕获动态心脏周期变化.
- 开发了一个ResNet-Transformer级联网络 (RTCN),以协作提取多个规模的本地特征和全球时间依赖.
- 使用Denoising扩散概率模型 (DDPM) 来增强少数群体心电图类的数据.
主要成果:
- 该RTCN模型证明了时间频率ECG特征的改进处理.
- 使用DDPM的数据增强使少数群体的患者间准确度从61.66%提高到68.39%.
- 梯度加权类激活映射 (Grad-CAM) 证实该模型的注意力与病态心电图特征一致,表明临床可解释性.
结论:
- 拟议的RTCN模型有效地解决了当前用于ECG分析的深度学习方法的局限性.
- 集成S-transform,ResNet-Transformer架构和DDPM显著提高了MI诊断的准确性和稳定性.
- 该模型具有强大的临床解释性,为先进的AI驱动的心血管诊断铺平了道路.
