使用Swin变压器和心电图信号处理自动检测心脏病:一种高精度的方法.

科学领域:

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

背景情况:

• 心血管疾病 (CVD) 是全球死亡的主要原因,强调了早期和准确检测的必要性.
• 电心电图 (ECG) 对于诊断心脏病至关重要,但传统的解释和机器学习 (ML) 方法在特征提取和处理远程依赖方面存在局限性.
• 深度学习 (DL) 的进步,特别是变压器架构,显示了增强心电图分类的前景.

研究的目的:

• 提出和评估Swin变压器,一个层次视觉变压器,用于基于心电图的自动心脏病检测.
• 为了比较Swin变压器的性能与传统的ML模型 (随机森林,梯度增强,SVM,神经网络).

主要方法:

• 使用了带有转移窗口自我注意机制的Swin变压器模型来捕捉本地和全球的ECG依赖性.
• 在基准ECG数据集上评估模型.
• 与已建立的ML算法进行比较的性能指标,包括准确性,精度,回忆和AUC.

主要成果:

• 斯温变压器实现了卓越的性能,达到99.8%的准确性,99.72%的精度,99.91%的回忆率和99.99%的AUC.
• 与随机森林,梯度提升,SVM和神经网络相比,表现出显著的优异性.
• 自身价值分析证实了该模型能够保留基本特征并对各种ECG模式进行概括的能力.

结论:

• 斯温变压器为基于心电图的自动心脏病检测提供了一个高效,可扩展和临床可行的解决方案.
• 这种DL方法在ECG分类准确性和可靠性方面比传统方法建立了新的基准.
• 未来的研究应该使用可解释AI (XAI) 来解决计算复杂性和可解释性,并探索实时优化.