AFLoc8-Net:用双头变压器进行端到端的心房动定位

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 心脏病学 心脏病学

背景情况:

• 动性心房 (AFib) 的检测对患者的健康至关重要.
• 目前在门诊心电图中检测AFib的方法通常涉及单独的分类和后处理步骤,导致潜在的不准确性.
• 精确定时和确定AFib发作持续时间的局限性阻碍了有效的管理.

研究的目的:

• 引入AFLoc8-Net,这是一个基于终端转换器的新型模型,用于对AFib发作进行强大的检测和定位.
• 解决传统AFib检测方法的局限性,将分类和回归整合到一个框架内.
• 在长期心电图记录中准确确定AFib事件的发作和持续时间.

主要方法:

• 开发AFLoc8-Net,一个基于变压器的深度学习模型.
• 在变压器架构中集成分类和回归头.
• 基于单独的测试数据集对模型的评估,与2021年中国生理信号挑战 (CPSC) 的获胜者进行基准测试.

主要成果:

• AFLoc8-Net证明了对心房动发作的强有力的检测和定位.
• 综合方法准确地分类AFib事件,并确定它们的确切发病和持续时间.
• 该模型减轻了与N-beat分类方法相关的挑战.

结论:

• AFLoc8-Net提供了一种先进的解决方案,用于在长期心电图记录中精确检测和定位心房动.
• 基于变压器的端到端模型通过同时分类和定位AFib情节来改进传统方法.
• 这种方法提高了确定AFib时间和持续时间的准确性,这对于临床应用至关重要.