基于 K-边界的残差-卷积-循环神经网络用于心房颤动检测
信号处理
2019-08-20 v1
摘要
心房颤动（AF）是一种可引发心脏骤停和猝死的异常心律。然而，由于其计算机判读的错误率较高，目前主要由医学专家进行解读。一项研究发现，从含噪心电图中正确识别的 AF 仅占约 66%。这部分归因于训练数据不足、类别偏斜，以及心电记录中噪声段引起的语义模糊。本文中，我们提出一种基于 K-边界的残差-卷积-循环神经网络（K-margin-based RCR-net）用于从含噪心电图中检测 AF。具体而言，采用偏斜驱动的动态增强方法来处理数据不足和类别不平衡问题。提出一种新颖的 RCR-net 以自动提取长期节律级和局部心跳级特征。最后，我们提出一种基于 K-边界的诊断模型，通过自然利用每条记录相关段之间的预期一致性，自动聚焦于心电记录中最重要的部分并处理噪声。实验结果表明，所提方法以 0.8125 的 F1NAOP 分数优于所有用于 AF 检测任务的最先进深度学习方法 6.8%。
引用
@article{arxiv.1908.06857,
title = {K-margin-based Residual-Convolution-Recurrent Neural Network for Atrial Fibrillation Detection},
author = {Yuxi Zhou and Shenda Hong and Junyuan Shang and Meng Wu and Qingyun Wang and Hongyan Li and Junqing Xie},
journal= {arXiv preprint arXiv:1908.06857},
year = {2019}
}
备注
IJCAI 2019