ECGDetect：基于深度学习检测缺血
机器学习
2020-09-29 v1 定量方法
机器学习
摘要
冠状动脉疾病(CAD)是最常见类型的心脏病，也是全球首要死因[1]。该疾病以冠状动脉中斑块破裂和血栓形成为标志的进展状态，亦称急性冠脉综合征(ACS)，是一种心脏病症，其因部分或完全闭塞通常灌注心肌和神经束的冠状血管而导致突发、减少的血流，损害心脏正常功能。其常表现为胸痛或胸部紧迫感，是美国急诊科就诊的第二大常见原因，尽早检测ACS至关重要。这对在家的糖尿病患者尤为相关，他们可能感觉不到典型胸痛症状，且易发生无症状心肌损伤。在本研究中，我们开发了RCE-ECG-Detect算法，一种用于检测与心肌缺血相关的显著ST改变形态学模式的机器学习模型。我们使用LTST数据库开发RCE-ECG-Detect，该数据库具有足够大的样本集以训练可靠模型。我们在使用RCE的ECG可穿戴设备收集的留出测试集上验证了该机器学习模型的预测性能。我们配备卷积层的深度神经网络模型达到了90.31% ROC-AUC、89.34%灵敏度、87.81%特异度。
引用
@article{arxiv.2009.13232,
title = {ECGDetect: Detecting Ischemia via Deep Learning},
author = {Atandra Burman and Jitto Titus and David Gbadebo and Melissa Burman},
journal= {arXiv preprint arXiv:2009.13232},
year = {2020}
}