ECGNET：利用深度视觉注意力学习定位以检测心房颤动
定量方法
2019-02-18 v2 信号处理
医学物理
摘要
与心房颤动（AF）相关的模式的复杂性以及影响这些模式的高水平噪声，极大地限制了当前的信号处理和浅层机器学习方法获得准确的心房颤动检测结果。深度神经网络已被证明在学习数据中的非线性模式方面非常强大。虽然深度学习方法试图学习心电图中与心房颤动存在相关的复杂模式，但它们可以从了解信号的哪些部分在训练时更值得关注中获益。在本文中，我们引入了一种双通道深度神经网络，以更准确地检测心电信号中呈现的心房颤动。第一通道接收预处理后的心电信号，并自动学习在检测心房颤动时应关注何处。第二通道同时接收预处理后的心电信号，以考虑整个信号的所有特征。该模型通过可视化展示了在尝试检测心房颤动时，给定心电信号的哪些部分值得关注。此外，这种组合显著提高了心房颤动检测的性能（在 MIT-BIH 心房颤动数据库上使用 5 秒心电片段达到了 99.53% 的灵敏度、99.26% 的特异性和 99.40% 的准确率）。
引用
@article{arxiv.1812.07422,
title = {ECGNET: Learning where to attend for detection of atrial fibrillation with deep visual attention},
author = {Sajad Mousavi and Fatemeh Afghah and Abolfazl Razi and U. Rajendra Acharya},
journal= {arXiv preprint arXiv:1812.07422},
year = {2019}
}