使用深度学习和可解释的人工智能方法进行心脏信号分类的多模式方法

科学领域:

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

背景情况:

• 心血管疾病 (CVD) 是一个主要的全球健康问题,需要精确的诊断工具.
• 心电图 (ECG) 和心电图 (PCG) 信号为心脏电气和机械功能提供了互补的见解.
• 当前的诊断方法可能会从先进的计算方法中受益,以提高准确性和效率.

研究的目的:

• 开发和验证综合ECG和PCG信号的多模式深度学习框架,以提高心血管疾病诊断.
• 评估拟议框架的性能与单模式和现有的多模式方法相比.
• 利用可解释的AI技术来解释模型的决策过程并识别临床相关特征.

主要方法:

• 采用双分支CNN-BiLSTM-SE架构与交叉模式的注意力来融合心电图和PCG数据.
• 实施了一个全面的预处理管道,涉及波形无声化,自适应过和规范化.
• 该模型在各种公共和定制数据集上进行了严格评估,包括MIT-BIH心律失常,PTB诊断心电图和PhysioNet PCG数据集.

主要成果:

• 多模式深度学习模型实现了97.0%的高整体准确率和F1分数在94.3%至98.1%之间.
• 在所有评估的类别中,曲线下面积 (AUC) 值超过0.982,显示出卓越的性能.
• 可解释的AI方法证实了该模型的重点是临床上重要的指标,如不规则的R-R间隔和缩声.

结论:

• 拟议的多式联络深度学习框架为心脏诊断提供了一个可行,可解释和高度准确的决策支持系统.
• 通过先进的深度学习整合ECG和PCG信号,显著提高了心血管疾病的诊断能力.
• 这种方法有望通过更准确和及时的心脏病状况识别来改善患者的治疗结果.