基于深度特征与卷积网络的房颤检测
机器学习
2019-03-29 v1 机器学习
摘要
心房颤动是一种心律失常，全球估计影响3350万人，并且是60岁以上人群中三分之一中风的潜在病因。房颤（AFIB）的检测与诊断在临床环境中通过评估心电图（ECGs）以无创方式进行。早期针对ECG信号中房颤自动检测的研究集中于传统生物医学信号分析，以提取重要特征用于统计分类模型。近年来，采用卷积和/或循环网络架构的人工智能模型得到应用。本工作中，通过对ECG信号施加短时傅里叶变换提取显著的时域与频域特征，并将信息以谱图形式可视化表示。我们研究了两种利用由ECG片段构建的谱图中深度特征的分类方法。第一种方法使用预训练的DenseNet模型提取特征，随后用支持向量机分类；第二种方法将谱图作为直接输入送入卷积网络。两种方法均在MIT-BIH AFIB数据集上评估，其中卷积网络方法达到了93.16%的分类准确率。尽管这些结果未超越已有的自动化房颤检测方法，但考虑到其无需任何噪声预滤波、手工特征或依赖于心拍检测，它们颇具前景并值得进一步研究。
引用
@article{arxiv.1903.11775,
title = {Atrial Fibrillation Detection Using Deep Features and Convolutional Networks},
author = {Sara Ross-Howe and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:1903.11775},
year = {2019}
}
备注
Accepted for publication in the IEEE-EMBS International Conference on Biomedical and Health Informatics (BHI 2019)