Ein neuartiges tiefes Arrhythmie-Diagnose-Netzwerk zur Vorhersage von Vorhofflimmern unter Verwendung von Elektrokardiogramm-Signalen

Atrial fibrillation (AF), eine häufige, lebensbedrohliche Herzrhythmusstörung, betrifft insbesondere ältere Erwachsene. Die automatische Klassifikation gehört zu den wertvollsten Forschungsfeldern in den medizinischen Wissenschaften und der Bioinformatik, insbesondere bei der Erkennung von Vorhofflimmern. Aufgrund der geringen Amplitude und der kurzen Dauer der Elektrokardiogramm-(ECG)-Signale sowie ihrer Komplexität und Nichtlinearität ist eine präzise Erklärung lokaler Merkmale durch manuelle Analyse jedoch äußerst schwierig. Daher stellen wir in diesem Artikel ein neuartiges tiefes Diagnoseverfahren für Arrhythmien vor, das als tiefes CNN-BLSTM-Netzwerkmodell bezeichnet wird und zur automatischen Erkennung von AF-Beat-Mustern anhand von ECG-Signalen eingesetzt wird. Das Modell besteht hauptsächlich aus vier Faltungs-Layern, zwei BLSTM-Layern und zwei vollständig verbundenen Layern. Die Datensätze der RR-Intervalle (bezeichnet als Set A) und der Herzschlagsequenzen (P-QRS-T-Wellen, bezeichnet als Set B) werden in das oben genannte Modell eingespeist. Vor allem zeigt unser vorgeschlagenes Verfahren hervorragende Leistungen: Die Genauigkeit beträgt 99,94 % im Trainings- und 98,63 % im Validierungsset von Set A. Im Testset (unbeobachtete Datensätze) erzielen wir eine Genauigkeit von 96,59 %, eine Sensitivität von 99,93 % und eine Spezifität von 97,03 %. Soweit uns bekannt ist, erzielt der von uns vorgestellte Algorithmus im Vergleich zu zahlreichen state-of-the-art-Methoden herausragende Ergebnisse und bietet somit eine neue Lösung für die automatische Erkennung von Vorhofflimmern.