一种混合层次变压器模型用于ECG分类和年龄预测

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 生物医学信号处理

背景情况:

• 电心电图 (ECG) 对于心血管诊断至关重要,需要先进的分析模型.
• 电脑心电图分析涉及层次的时间尺度,从波形形态到节拍间隔.
• 卷积神经网络 (CNN) 在局部特征提取方面表现出色,而变压器捕获远程依赖.

研究的目的:

• 开发一种混合层次模型,HiT-NeXt,它集成了CNN和变压器,用于全面的心电图分析.
• 提高模型捕捉地方形态模式和ECG信号的全球时间依赖性的能力.
• 提高心电图异常分类和心脏年龄预测的准确性.

主要方法:

• 开发了HiT-NeXt,这是一个混合模型,将基于ConvNeXt的CNN结合起来,用于局部特征提取和与变压器块的等级学习.
• 在变压器块内内嵌入限制注意力窗口,以专注于相关的时间上下文.
• 使用相对上下文位置编码来提高信号翻译的稳定性.

主要成果:

• 与最先进的方法相比,HiT-NeXt在心电图异常分类方面表现优越.
• 该模型在心脏年龄预测方面比现有方法取得了更高的准确性.
• 在实验任务中,HiT-NeXt的性能超过了人类心脏病学家的评估.

结论:

• HiT-NeXt有效地整合了本地和全球特征提取,用于先进的ECG分析.
• 混合层次方法为心血管医疗诊断提供了显著的进步.
• HiT-NeXt是自动ECG解释和风险分层的一个有前途的工具.