rECGnition_v1.0：基于卡迪尔森-inspired 多模态架构的心律失常检测，融合人口统计特征
信号处理
2024-10-28 v1 人工智能
机器学习
摘要
ECG 显示出的大量变异性由于患者特征，阻碍了自动分析算法在临床实践中的采用。迄今为止developed的任何 ECG 注释器都未考虑患者特征在多模态架构中的作用。我们采用 XGBoost 模型分析 UCI 心律失常数据集，将患者特征与 ECG 形态变化相关联。该模型以 87.75% 的置信度准确分类患者性别。我们提出一种新颖的多模态方法，用于 ECG 分析和心律失常分类，以帮助消除与患者特定条件相关的 ECG 变异性。这种深度学习算法，命名为 rECGnition_v1.0（robust ECG abnormality detection Version 1），将心跳形态与患者特征融合，以创建判别性特征图，从而理解两者之间的内部相关性。我们引入了基于 Squeeze and Excitation 的患者特征编码网络（SEPcEnet），考虑到患者的民族学特征。经过训练的模型通过在 MITDB 中实现 10 类心律失常分类的整体 F1 分数 0.986，显著优于各种现有算法，同时在 LBBB、RBBB、早搏心房纤颤、早搏心室啰搏和人工 pacing 拮抗搏等类别中实现接近完美的预测得分约为 0.99。随后，该方法在 INCARTDB、EDB 和 MITDB 的不同类别组中使用迁移学习进行了验证。一般化测试在 INCARTDB、EDB、MITDB AAMI 和 MITDB 正常与异常分类中分别提供了 0.980、0.946、0.977 和 0.980 的 F1 分数。因此，结合对正在检查的患者及其 ECG 进行更全面和更深入的理解，rECGnition_v1.0 算法为其在临床部署铺平了道路。
引用
@article{arxiv.2410.18985,
title = {rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG},
author = {Shreya Srivastava and Durgesh Kumar and Jatin Bedi and Sandeep Seth and Deepak Sharma},
journal= {arXiv preprint arXiv:2410.18985},
year = {2024}
}