基于深度循环神经网络的远程房颤负荷估计
信号处理
2020-08-06 v1
摘要
房颤负荷（AFB）定义为在足够长的监测期内处于心房颤动（AF）的时间占比。近期研究表明，与使用二元诊断相比，利用 AFB 可带来额外的预后价值。我们首次评估了使用深度循环神经网络（DRNN）方法在长时连续记录上估计 AFB 的能力。方法：模型在包含 p=2,891 名患者、总计 t=68,800 小时于弗吉尼亚大学心脏科采集的连续心电图（ECG）记录的大型数据库上开发与评估。具体而言，从单通道便携式 ECG 获得 24 小时逐搏时间序列。该网络称为 ArNet，以梯度提升（XGB）模型为基准，XGB 基于 21 个特征训练，包括样本熵系数（CosEn）和 AFEvidence。数据划分为训练集与测试集，患者按 AF 的存在与严重程度分层。ArNet 与 XGB 的泛化能力也在独立的 PhysioNet LTAF 数据库上评估。结果：在测试集上，AF 个体的绝对房颤负荷估计误差 |E_AF|（中位数及四分位距）对于 ArNet 为 1.2 (0.1-6.7)，对于 XGB 为 3.1 (0.0-11.7)。LTAF 上的泛化结果一致，ArNet 的 E_AF 为 2.6 (1.1-14.7)，XGB 为 3.6 (1.0-16.7)。结论：本研究证明了利用近期 DRNN 进展从 24 小时逐搏间期时间序列估计 AFB 的可行性。意义：该新型数据驱动方法可实现 AF 的稳健远程诊断与表型分析。
引用
@article{arxiv.2008.02228,
title = {Remote atrial fibrillation burden estimation using deep recurrent neural network},
author = {Armand Chocron and Julien Oster and Shany Biton and Mandel Franck and Meyer Elbaz and Yehoshua Y. Zeevi and Joachim Behar},
journal= {arXiv preprint arXiv:2008.02228},
year = {2020}
}