Erkennung von Vorhofflimmern mittels tiefer Merkmale und Faltungsnetzen

Vorhofflimmern ist eine Herzrhythmusstörung, die weltweit geschätzte 33,5 Millionen Menschen betrifft und das potenzielle Ursache von einem Drittel der Schlaganfälle bei Menschen über 60 Jahren darstellt. Die Erkennung und Diagnose von Vorhofflimmern (AFIB) erfolgt in der klinischen Umgebung nicht-invasiv durch die Auswertung von Elektrokardiogrammen (ECGs). Frühe Forschungen zu automatisierten Methoden zur Erkennung von AFIB in EKG-Signalen konzentrierten sich auf traditionelle biomedizinische Signalanalyse, um wichtige Merkmale für statistische Klassifikationsmodelle zu extrahieren. In jüngerer Zeit wurden künstliche Intelligenzmodelle eingesetzt, die Faltungs- und/oder rekurrente Netzarchitekturen verwenden. In dieser Arbeit werden bedeutende Zeit- und Frequenzbereichscharakteristika des EKG-Signals durch Anwendung der Kurzzeit-Fourier-Transformation extrahiert und dann visuell in einem Spektrogramm dargestellt. Zwei verschiedene Klassifikationsansätze wurden untersucht, die tiefere Merkmale in den aus EKG-Segmenten konstruierten Spektrogrammen nutzten. Der erste Ansatz verwendete ein vorab trainiertes DenseNet-Modell, um Merkmale zu extrahieren, die anschließend mit Support Vector Machines klassifiziert wurden. Der zweite Ansatz fütterte die Spektrogramme direkt in ein Faltungsnetzwerk. Beide Ansätze wurden am MIT-BIH AFIB-Datensatz evaluiert, wobei der Faltungsnetzwerkansatz eine Klassifikationsgenauigkeit von 93,16 % erzielte. Obwohl diese Ergebnisse etablierte automatisierte Methoden zur Vorhofflimmererkennung nicht übertreffen, sind sie vielversprechend und verdienen weitere Untersuchungen, da sie keine Rauschvorfilterung, manuell gestalteten Merkmale oder eine Abhängigkeit von Schlagdetektion erforderten.