基于时间卷积神经网络的多标签心电图分类
信号处理
2023-06-07 v1
摘要
12导联心电图（ECG）的自动化分析在心血管疾病（CVDs）的早期筛查与管理中起着关键作用。在实践中，常见多种心脏疾病同时发生，即CVDs患者的多标签或共病现象，这增加了死亡风险。当前多数研究聚焦于单标签ECG分类，即每条ECG记录对应一种心脏疾病，忽略了具有多标签现象的ECG记录。本文中，我们提出了一种基于注意力的时间卷积神经网络（ATCNN）模型集成，用于12导联ECG记录的多标签分类。具体而言，针对每种心脏疾病训练一组基于ATCNN的单导联二分类器，这些分类器经简单阈值化得到的预测生成最终的多标签决策。ATCNN包含堆叠的TCNN层，其后接时间与空间注意力层。TCNN层以不同膨胀率运作以表征多尺度病理性ECG特征动态，注意力层则强调/削弱具有诊断相关性/冗余的12导联ECG信息。所提框架在PTBXL-2020数据集上评估，取得了76.51%的平均F1分数。此外，空间与时间注意力权重可视化分别提供了每种疾病的最优ECG导联子集选择与模型可解释性结果。所提方法在性能与可解释性上的提升证明了其筛查共病患者并帮助临床医生及时施治的能力。
引用
@article{arxiv.2306.03844,
title = {Multi-Label ECG Classification using Temporal Convolutional Neural Network},
author = {Eedara Prabhakararao and Samarendra Dandapt},
journal= {arXiv preprint arXiv:2306.03844},
year = {2023}
}
备注
Under review for publication in the IEEE Journal (8 pages, 6 figures)