基于注意力双向循环神经网络的阵发性心房颤动检测
神经元与认知
2018-05-24 v1 计算机视觉与模式识别
摘要
心房颤动(AF)作为一种心律失常，其检测十分困难，因为许多AF病例通常临床无症状且未被诊断。尤其是阵发性AF是一种偶发形式的AF，具有更高的未被检出概率。本工作中，我们提出了一种基于注意力的深度学习框架，用于从窗口序列中检测阵发性AF发作。将10分钟数据段上30秒记录窗口的时频表示依次输入深度卷积神经网络进行基于图像的特征提取，随后送入带注意力层的双向循环神经网络以检测AF。为证明所提框架对一过性AF检测的有效性，我们使用来自弗吉尼亚大学心脏站2850名患者的24小时Holter心电图(ECG)记录数据库。该算法在测试集上达到0.94的AUC，优于基线模型。我们还通过将学习到的模型参数从一种记录模态(ECG)适配到另一种(光电容积描记)并提升AF检测性能，展示了该方法的跨域泛化能力。所提出的高精度、低误报的阵发性AF检测算法在基于可穿戴传感器的长期监测中具有潜在应用价值。
引用
@article{arxiv.1805.09133,
title = {Detection of Paroxysmal Atrial Fibrillation using Attention-based Bidirectional Recurrent Neural Networks},
author = {Supreeth P. Shashikumar and Amit J. Shah and Gari D. Clifford and Shamim Nemati},
journal= {arXiv preprint arXiv:1805.09133},
year = {2018}
}
备注
Accepted to the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2018), London, UK, 2018