利用可解释人工智能研究健康衰老过程中的心电图变化——从专家特征到原始信号
信号处理
2024-04-23 v2 机器学习
机器学习
摘要
心血管疾病仍是全球首要死亡原因。年龄是一个重要的协变量，其影响最易在健康队列中考察，以将其与疾病相关变化恰当区分。传统上，此类见解多来自对个体随年龄增长的心电图（ECG）特征变化的分析。然而，这些特征虽具信息量，却可能掩盖底层数据关系。本文贡献如下：（1）我们采用深度学习模型与基于树的模型，在分析健康个体跨年龄段的稳健数据集时，同时使用原始信号与ECG特征格式。（2）我们使用可解释人工智能（explainable AI）方法识别各年龄组间最具判别性的ECG特征。（3）基于树的分类器分析揭示推断呼吸率随年龄下降，并发现显著高的SDANN值可作为老年个体的标志，从而将其与年轻成人区分。（4）此外，深度学习模型强调P波在所有年龄组年龄预测中的关键作用，提示不同P波类型的分布可能随年龄变化。这些发现为年龄相关ECG变化提供新见解，其价值超越传统基于特征的方法。
引用
@article{arxiv.2310.07463,
title = {Using explainable AI to investigate electrocardiogram changes during healthy aging -- from expert features to raw signals},
author = {Gabriel Ott and Yannik Schaubelt and Juan Miguel Lopez Alcaraz and Wilhelm Haverkamp and Nils Strodthoff},
journal= {arXiv preprint arXiv:2310.07463},
year = {2024}
}
备注
Accepted version by PLOS ONE. 10 pages, 5 figures, code available under https://github.com/AI4HealthUOL/ECG-aging. Publication under https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0302024