COV-ECGNET：基于 ECG 波形图与深度卷积神经网络的 COVID-19 检测
图像与视频处理
2022-04-12 v1 计算机视觉与模式识别
机器学习
摘要
可靠且快速地识别 COVID-19 对于防止疾病快速传播、放宽封锁限制以及减轻公共卫生基础设施压力已变得至关重要。近来，已有若干方法和技术被提出，利用不同图像与数据来检测 SARS-CoV-2 病毒。然而，本研究首次探索使用深度卷积神经网络（CNN）模型从心电图（ECG）波形图中检测 COVID-19 的可能性。在这项工作中，使用深度学习技术检测了 COVID-19 与其他心血管疾病（CVDs）。本研究使用了一个由来自五个不同类别的 1937 张图像组成的 ECG 图像公开数据集，即正常（Normal）、COVID-19、心肌梗死（MI）、异常心跳（AHB）和康复性心肌梗死（RMI）。使用了六种深度 CNN 模型（ResNet18、ResNet50、ResNet101、InceptionV3、DenseNet201 和 MobileNetv2）来研究三种不同的分类方案：二分类（正常 vs COVID-19）；三分类（正常、COVID-19 和其他 CVDs），以及最后的五分类（正常、COVID-19、MI、AHB 和 RMI）。对于二分类和三分类，Densenet201 分别以 99.1% 和 97.36% 的准确率优于其他网络；而对于五分类，InceptionV3 以 97.83% 的准确率优于其他模型。ScoreCAM 可视化证实网络是从波形图的相关区域学习的。由于所提方法使用的 ECG 波形图可由智能手机捕获，且在资源匮乏国家是易得的设备，本研究将有助于更快地计算机辅助诊断 COVID-19 及其他心脏异常。
引用
@article{arxiv.2106.00436,
title = {COV-ECGNET: COVID-19 detection using ECG trace images with deep convolutional neural network},
author = {Tawsifur Rahman and Alex Akinbi and Muhammad E. H. Chowdhury and Tarik A. Rashid and Abdulkadir Şengür and Amith Khandakar and Khandaker Reajul Islam and Aras M. Ismael},
journal= {arXiv preprint arXiv:2106.00436},
year = {2022}
}
备注
24 pages