基于 DenseECG 的心房颤动心电图分类与可视化诊断
信号处理
2021-01-20 v1 机器学习
图像与视频处理
摘要
心房颤动(AF)是一种常见心律失常,影响全球大量人群。若未被发现,它将发展为慢性残疾甚至早期死亡。然而,患者几乎难以察觉该问题,尤其在早期阶段。因此亟需一种无创、自动且有效的检测方法来辅助早期检测,以便及时实施医疗干预阻止其进展。心电图(ECG)记录心脏电活动,已广泛用于检测 AF 的存在。但由于 AF 模式细微,检测模型性能在很大程度上依赖复杂数据预处理与专家设计特征。本工作中,我们开发了 DenseECG,一种基于 5 层一维密集连接卷积神经网络的端到端模型。我们使用 2017 PhysioNet Computing in Cardiology(CinC) Challenge 公开数据集训练模型,该集包含 8528 条短时心律(9–61s)单导联 ECG 记录。我们的训练模型在此数据集上无需复杂数据预处理与专家监督特征工程即可优于其他最先进 AF 检测模型。
引用
@article{arxiv.2101.07535,
title = {Electrocardiogram Classification and Visual Diagnosis of Atrial Fibrillation with DenseECG},
author = {Dacheng Chen and Dan Li and Xiuqin Xu and Ruizhi Yang and See-Kiong Ng},
journal= {arXiv preprint arXiv:2101.07535},
year = {2021}
}