一个基于光聚发电图的1D-CNN算法,用于自动检测心房动.

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 心脏病学 心脏病学

背景情况:

• 心房动 (AF) 是一种常见的心律失常.
• 传统的AF诊断依赖于心电图 (ECG).
• 来自可穿戴设备的光电显微镜 (PPG) 信号为监控提供了一个非侵入性的替代方案.

研究的目的:

• 开发和评估使用PPG信号进行AF检测的深度学习算法.
• 评估算法的性能与现有最先进的方法对比.
• 探索模型优化技术,如修剪和二元化,以提高计算效率.

主要方法:

• 使用MIMIC III波形数据库开发了一个1维卷积神经网络 (CNN).
• 美国有线电视新闻网 (CNN) 模型经过训练和验证,用于从PPG信号中检测AF.
• 模型修剪和二元化被应用来评估计算复杂性降低.

主要成果:

• 开发的CNN模型实现了98.27%的精度和97.78%的AF检测F1得分.
• 修剪后的网络 (60%的稀疏性) 保持了高性能,准确率为97.26%,F1得分为96.40%.
• 二元化网络以94.51%的准确性和93.29%的F1得分证明了可行性.

结论:

• 从PPG信号中基于深度学习的AF检测非常准确,并且使用可穿戴设备是可行的.
• 拟议的方法为持续远程监控和早期AF检测提供了一个有希望的方法.
• 模型优化技术可以减少计算负载,而不会显著降低性能.