ECGNET: Lernen, wo hinzusehen für die Detektion von Vorhofflimmern mit tiefem visuellem Aufmerksamkeitsschwerpunkt

Die Komplexität der Muster, die mit Vorhofflimmern (AF) verbunden sind, und das hohe Maß an Rauschen, das diese Muster beeinträchtigt, haben die aktuellen Signalverarbeitungs- und shallow machine learning-Ansätze erheblich eingeschränkt, um genaue AF-Erkennungsergebnisse zu erzielen. Tiefe neuronale Netze haben gezeigt, dass sie sehr leistungsfähig sind, um die nichtlinearen Muster in den Daten zu lernen. Während ein tiefes Lernalgorithmus versucht, komplexe Muster im EKG im Zusammenhang mit der Anwesenheit von AF zu erkennen, kann er profitieren, wenn bekannt ist, auf welche Teile des Signals sich während des Lernprozesses der Fokus legen sollte. In dieser Arbeit stellen wir ein zweikanaliges tiefes neuronales Netzwerk vor, um AF im EKG-Signal genauer zu erkennen. Der erste Kanal nimmt ein vorverarbeitetes EKG-Signal auf und lernt automatisch, wo sich der Fokus für die AF-Erkennung befinden sollte. Der zweite Kanal nimmt gleichzeitig das vorverarbeitete EKG-Signal auf, um alle Merkmale des gesamten Signals zu berücksichtigen. Das Modell zeigt durch Visualisierung, welche Teile des gegebenen EKG-Signals bei der Versuchserkennung von Vorhofflimmern besonders relevant sind. Zudem verbessert diese Kombination die Leistungsfähigkeit der Vorhofflimmererkennung erheblich (das Modell erreichte eine Sensitivität von 99,53 %, eine Spezifität von 99,26 % und eine Genauigkeit von 99,40 % auf der MIT-BIH-Vorhofflimmer-Datenbank mit 5-Sekunden-EKG-Segmenten).