用于房性心动过速心内电图分类的深度学习网络
信号处理
2022-06-16 v1 人工智能
机器学习
摘要
实现房性心动过速导管消融治疗成功的一项关键技术是激活标测，其依赖于对所有采集的心内电图（EGM）信号进行人工局部激活时间（LAT）标注。由于难以识别碎裂信号的激活峰，这是一项耗时且易出错的操作。本工作提出一种深度学习方法来自动将EGM信号分类为三种类型：正常、异常和未分类，这构成了LAT标注流程的一部分，并有助于绕过对LAT人工标注的需求。该深度学习网络CNN-LSTM模型是一种混合网络架构，将卷积神经网络（CNN）层与长短期记忆（LSTM）层相结合。来自共9名接受临床指征3D心脏标测患者的1452个EGM信号用于我们模型的训练、验证和测试。我们的结果表明，CNN-LSTM模型在平衡数据集上达到了81%的准确率。作为比较，我们单独开发了一个基于规则的决策树模型，在同一平衡数据集上达到了67%的准确率。我们的工作阐明，使用决策树模型提出的一组显式指定规则来分析EGM信号并不合适，因为EGM信号是复杂的。另一方面，CNN-LSTM模型能够学习信号内复杂的固有特征并识别有用特征以区分EGM信号。
引用
@article{arxiv.2206.07515,
title = {A Deep Learning Network for the Classification of Intracardiac Electrograms in Atrial Tachycardia},
author = {Zerui Chen and Sonia Xhyn Teo and Andrie Ochtman and Shier Nee Saw and Nicholas Cheng and Eric Tien Siang Lim and Murphy Lyu and Hwee Kuan Lee},
journal= {arXiv preprint arXiv:2206.07515},
year = {2022}
}
备注
34 pages, 10 figures