English
聯系我們
網站地圖
郵箱
舊版回顧



基于深度神經網絡的可穿戴心電圖疾病自動診斷研究取得進展

文章來源:深圳先進技術研究院   發布時間:2019-07-11  【字號:     】  

  近日,中國科學院深圳先進技術研究院数字所生物医学信息技术研究中心研究员李烨及其团队成员姚启航、王如心、樊小毛和刘记奎等针对可穿戴心电信号提出了一种基于时空特征融合的深度神经网络,实现了9類心律失常的自動分析診斷,有效提升了疾病自動分析的准確率。該成果以Multi-class Arrhythmia detection from 12-lead varied-length ECG using Attention-based Time-Incremental Convolutional Neural Network 爲題發表在計算機人工智能期刊Information Fusion上。第一作者姚启航为东北大学中荷生物医学与信息工程学院与深圳先进院联合培养本科生,本科毕业即将进入美国佐治亚理工大学生物医学工程学院进一步深造,論文通讯作者为李烨。

  據世界衛生組織(WHO)統計,每年全球約1800萬人死于心腦血管疾病,占死亡總數的31%,其中絕大多數的急性心血管事件發生在醫院外,心血管事件的醫院外預警十分關鍵。通過可穿戴心電信號自動監測分析對急性心血管事件早期預防和診斷具有重要意義。傳統分析方法在處理可穿戴心電信號時通常以特征點檢測爲基礎進行分析,其缺點是易受噪聲與人體行爲的幹擾,分析精度低,同時忽略了不同體表位置采集的心電信號表現出的時空相關性。

  針對上述問題,研究人員提出了一種基于時空特征融合的深度網絡架構,有效提取了信號的空間和時間特征,突破了傳統方法對心電信號時間空間特性同時描述的不足。研究人員進一步在網絡架構中引入注意力機制,對分段信號的重要性進行自適應評估,有效提高了模型對異常狀態的感知,降低了其它信息的幹擾。上述方法實現了以房顫、傳導阻滯、早搏等爲代表的9類心律失常疾病的有效判別,在2018中國生理信號挑戰賽公開的9831條心電信號上(約609,522個心搏),心律失常識別精度達到82.6%(如圖)。

  該研究工作得到健康大數據智能分析技術國家地方聯合工程研究中心以及廣東省、深圳市等的資助。

 

  圖:提出的方法示意圖及9類心律失常識別准確率。(注:N:窦性信號;AF:房顫信號;I-AVB1度房室傳導阻滯;LBBB:左束支傳導阻滯;RBBB:右束支傳導阻滯;PAC:房性早搏;PVC:室性早搏;STDST段壓低;STEST段擡高)




(責任編輯:葉瑞優)

附件:

專題推荐

相關新聞


© 1996 - 中國科學院 版权所有 京ICP備05002857號  京公網安備110402500047號  聯系我們

地址:北京市三里河路52号 邮编:100864