DeepMI：用于识别心肌梗死及其发生时间的深度多导联心电图融合方法
信号处理
2021-04-06 v1 机器学习
摘要
心肌梗死（MI）在所有心血管疾病（CVDs）中死亡率最高。尤其对 MI 的检测及其发生时间信息的获取，能够实现及时干预，从而改善患者预后，减缓全球 CVD 死亡人数的上升。心电图（ECG）记录目前用于筛查 MI 患者。然而，人工判读 ECG 耗时且易受主观偏倚影响。机器学习方法已被用于自动化 ECG 诊断，但多数方法需提取 ECG 心搏或独立考虑各导联。我们提出一种端到端深度学习方法 DeepMI，通过在 12 导联 ECG 的数据级、特征级和决策级采用多种融合策略，从正常病例中分类 MI 并识别其发生时间（定义为急性、近期和陈旧性）。为最小化计算开销，我们采用基于现有计算机视觉网络的迁移学习。此外，我们使用循环神经网络编码 ECG 中固有的纵向信息。我们在来自 17,381 名患者的数据集上验证了 DeepMI，其中每导联提取超过 323,000 个样本。我们能够将正常病例与急性、近期和陈旧性 MI 发作病例分类，其 AUROC 分别为 96.7%、82.9%、68.6% 和 73.8%。我们展示了一种用于检测 MI 存在及其发生时间的多导联融合方法。我们的端到端框架为不同级别的多导联 ECG 融合提供了灵活性，并通过迁移学习进行特征提取。
引用
@article{arxiv.2104.02054,
title = {DeepMI: Deep Multi-lead ECG Fusion for Identifying Myocardial Infarction and its Occurrence-time},
author = {Girmaw Abebe Tadesse and Hamza Javed and Yong Liu and Jin Liu and Jiyan Chen and Komminist Weldemariam and Tingting Zhu},
journal= {arXiv preprint arXiv:2104.02054},
year = {2021}
}
备注
10 pages