PulseNet：基于随机增强策略与连续小波变换的犬类 ECG 信号深度学习分类
信号处理
2023-06-21 v2 人工智能
机器学习
摘要
评估犬类心电图（ECG）需要熟练的兽医，但目前可用于 ECG 解读和诊断支持的兽医心脏病专家十分有限。开发用于 ECG 序列自动评估的工具，可通过为临床医生提供实时结果和决策支持工具来改善兽医诊疗。我们实现了一种深度卷积神经网络（CNN）方法，用于将犬类心电图序列分类为正常或异常。ECG 记录被转换为 8 秒的 II 导联序列，并分类为正常（无心脏异常证据）或异常（存在一种或多种心脏异常）。训练时，ECG 序列使用 RandomAugmentECG（专为该项目实现的新型增强库）进行随机增强。随后每个片段通过连续小波变换转换为二维标度图。该二维标度图再由一个二分类 CNN 分类器分类为正常或异常。实验结果经三位认证兽医心脏病专家验证，在测试数据集上达到 0.9506 的 AUC-ROC 分数，与人类水平相当。此外，我们描述了使用 MLOps 方法向 Microsoft Azure 的模型部署。据我们所知，本工作是首批尝试实现深度学习模型自动分类犬类 ECG 序列的工作之一。实现自动化 ECG 分类将通过改善诊断性能和提升诊所效率来增强兽医诊疗。
引用
@article{arxiv.2305.15424,
title = {PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines},
author = {Andre Dourson and Roberto Santilli and Federica Marchesotti and Jennifer Schneiderman and Oliver Roman Stiel and Fernando Junior and Michael Fitzke and Norbert Sithirangathan and Emil Walleser and Xiaoli Qiao and Mark Parkinson},
journal= {arXiv preprint arXiv:2305.15424},
year = {2023}
}