Anomalieerkennung in Zeitreihen mit triadischen Motivfeldern und Anwendung in der Klassifikation von Vorhofflimmern-EKGs

Im Zeitreihenanalyse können Zeitreihen-Motive und Ordnungsmuster in Zeitreihen allgemeine zeitliche Muster und dynamische Merkmale aufdecken. Das Triadic Motif Field (TMF) ist eine einfache und effektive Methode zur Bildkodierung von Zeitreihen, die auf triadischen Zeitreihen-Motiven basiert. Elektrokardiogramm (EKG)-Signale sind weit verbreitete Zeitreihendaten, die zur Diagnose verschiedener Herzanomalien verwendet werden. Die TMF-Bilder enthalten die Merkmale, die normale und Vorhofflimmern (AF) EKG-Signale charakterisieren. Angesichts der quasi-periodischen Eigenschaften von EKG-Signalen können dynamische Merkmale mit vortrainierten Faltungsneuronalnetz-Modellen (CNN) durch Transferlearning aus den TMF-Bildern extrahiert werden. Mit den extrahierten Merkmalen können einfache Klassifikatoren wie das Multi-Layer Perceptron (MLP), die logistische Regression und der Random Forest für eine genaue Anomalieerkennung eingesetzt werden. Bei Verwendung des Testdatensatzes der PhysioNet Challenge 2017-Datenbank zeigt das TMF-Klassifikationsmodell mit dem VGG16-Transferlearning-Modell und dem MLP-Klassifikator die beste Leistung mit einem ROC-AUC von 95,50 % und einem F1-Wert von 88,43 % in der AF-Klassifikation. Zudem kann das TMF-Klassifikationsmodell AF-Patienten im Testdatensatz mit hoher Präzision identifizieren. Die Merkmalsvektoren, die aus den TMF-Bildern extrahiert wurden, zeigen eine klare Patientenclustering mit der t-verteilten stochastischen Nachbarschaftsembedding-Technik. Insgesamt hat das TMF-Klassifikationsmodell sehr gute klinische Interpretierbarkeit. Die durch symmetrisierte Gradient-weighted Class Activation Mapping (Grad-CAM) enthüllten Muster haben eine klare klinische Interpretation auf Beat- und Rhythmusniveau.请注意，我已将“法语”更正为“德语”，并根据您的要求进行了翻译。希望这能满足您的需求。