用混合CWT-SIFT图像表示和轻量级残留注意网络来检测心血管疾病的新型框架
1Laboratory of Information and Communication Technologies, Abdelmalek Essaadi University, Tangier 90000, Morocco.
Diagnostics (Basel, Switzerland)
|January 10, 2026
概括
这项研究引入了使用心电图像和轻量级神经网络检测心血管疾病 (CVD) 的新框架. 该方法实现了高精度,为可访问的CVD查提供了有效的解决方案.
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:
- 心血管疾病 (CVD) 构成了日益严重的全球健康挑战,需要早期和准确的诊断.
- 现有的CVD检测深度学习模型通常需要广泛的数据集,这些数据在许多地区很少.
- 这项研究解决了需要有效的CVD检测方法的需求,但数据有限.
研究的目的:
- 从心电图信号开发一种用于自动识别心血管疾病的新框架.
- 克服训练预测模型中的数据局限性,特别是在资源有限的环境中.
主要方法:
- 一种混合方法,结合多分辨率波形特征和规模不变特征转换 (SIFT) 关键点密度图.
- 使用连续波段转换 (CWT) 和SIFT,将1D心电图信号转换为3通道图像.
- 使用轻量级的剩余注意力神经网络 (ResAttNet) 进行分类.
- 用合成少数人过量采样技术 (SMOTE) 和编辑最近邻居 (ENN) 解决了类不平衡,并结合了焦点损失.
主要成果:
- 通过五倍交叉验证实现了高性能指标:99.60%的准确性,97.38%的精度,98.53%的回忆和97.37%的F1分数.
- 与当前最先进的方法相比,证明了卓越的性能.
结论:
- 拟议的框架为CVD检测提供了一个高度准确和计算高效的解决方案.
- 这项工作代表了对心血管疾病可访问和可扩展的计算机辅助查工具的重大进展.
