RawECGNet：基于原始心电图的房颤检测深度学习泛化方法
信号处理
2024-01-12 v1 机器学习
摘要
引言：利用长期动态心电图记录中的节律信息检测房颤发作的深度学习模型已展现出高性能。然而，基于节律的方法并未利用不同心电图波形（尤其是f波）所传达的形态学信息。因此，此类模型的性能可能固有地受限。方法：为解决这一局限，我们开发了一个名为RawECGNet的深度学习模型，利用原始单导联心电图检测房颤和心房扑动发作。我们在两个外部数据集上比较了RawECGNet的泛化性能，这些数据集考虑了地理、种族和导联位置的分布偏移。RawECGNet进一步与一个利用节律信息作为输入的先进深度学习模型ArNet2进行了基准比较。结果：使用RawECGNet，外部测试集中不同导联的F1分数结果在RBDB中为0.91–0.94，在SHDB中为0.93，而ArNet2在RBDB中为0.89–0.91，在SHDB中为0.91。结果凸显了RawECGNet作为一种高性能、可泛化的算法，用于检测房颤和心房扑动发作，同时利用了节律和形态学信息。
引用
@article{arxiv.2401.05411,
title = {RawECGNet: Deep Learning Generalization for Atrial Fibrillation Detection from the Raw ECG},
author = {Noam Ben-Moshe and Kenta Tsutsui and Shany Biton and Leif Sörnmo and Joachim A. Behar},
journal= {arXiv preprint arXiv:2401.05411},
year = {2024}
}