ECGNET：利用深度视觉注意力学习检测心房颤动的关键区域

心房颤动（AF）相关的模式复杂性以及这些模式受到的高噪声水平显著限制了当前信号处理和浅层机器学习方法在实现准确的心房颤动检测方面的效果。深度神经网络已被证明在学习数据中的非线性模式方面非常强大。尽管深度学习方法试图从心电图（ECG）中学习与心房颤动存在相关联的复杂模式，但它们可以从了解哪些信号部分更为重要这一信息中获益，从而在学习过程中更加关注这些部分。本文介绍了一种双通道深度神经网络，以更准确地检测心电图信号中的心房颤动。第一通道接收预处理的心电图信号，并自动学习用于检测心房颤动的关注点。第二通道同时接收预处理的心电图信号，考虑整个信号的所有特征。通过可视化，该模型展示了在尝试检测心房颤动时哪些部分的心电图信号更为重要。此外，这种组合显著提高了心房颤动检测的性能（在MIT-BIH心房颤动数据库上使用5秒长的心电图片段，实现了99.53%的敏感性、99.26%的特异性和99.40%的准确性）。