基于卷积和Transformer深度学习模型的12导联ECG信号心律失常分类

在罗马尼亚，心血管问题是死亡的主要原因，占年度死亡人数的近三分之一。这种情况的严重性要求我们寻求创新的心血管疾病诊断方法。本文旨在探索针对资源受限的医疗环境中高效、轻量且快速的心律失常诊断方法。由于缺乏罗马尼亚公共医疗数据，我们使用国际公共数据集训练我们的系统，认为ECG信号与患者国籍无关。在此目的下，我们组合了多个通常用于心律失常分类的数据集：PTB-XL电生理信号数据库、PTB诊断性ECG数据库、中国12导联ECG挑战数据库、乔治亚12导联ECG挑战数据库和圣彼得堡INCART 12导联心律失常数据库。在输入数据方面，我们采用了Pan-Tompkins算法的变体，这在心律失常分类中非常有用，因为它提供了一种稳健且高效的ECG信号中检测QRS复合物的方法。此外，我们使用了广泛用于分类任务的机器学习技术，包括卷积神经网络（1D CNN、2D CNN、ResNet）和视觉转换器（ViT）。我们以准确率和F1分数评估了这些系统。我们从两个角度分析了数据集。首先，我们将系统输入为ECG信号，基于GRU的1D CNN模型在所有测试的架构中实现了最高的93.4%准确率。其次，我们将ECG信号转换为图像，CNN2D模型实现了92.16%的准确率。