Anwendung eines tiefen konvolutionellen neuronalen Netzwerks zur automatisierten Erkennung von Myokardinfarkten mithilfe von EKG-Signalen

Das Elektrokardiogramm (EKG) ist ein nützliches diagnostisches Werkzeug zur Erkennung verschiedener kardiovaskulärer Erkrankungen (CVDs), wie beispielsweise des Myokardinfarkts (MI). Das EKG registriert die elektrische Aktivität des Herzens, wobei diese Signale Hinweise auf abnorme Herzaktivitäten liefern können. Aufgrund der geringen Amplitude und Dauer der EKG-Signale ist deren visuelle Interpretation jedoch herausfordernd. Daher schlagen wir einen neuartigen Ansatz zur automatischen Erkennung des Myokardinfarkts mittels EKG-Signale vor. In dieser Studie haben wir einen Convolutional Neural Network (CNN)-Algorithmus implementiert, um normale und MI-bezogene EKG-Pulse (mit und ohne Rauschen) automatisiert zu detektieren. Wir erreichten eine durchschnittliche Genauigkeit von 93,53 % bei EKG-Pulsen mit Rauschen und 95,22 % bei Pulsen ohne Rauschunterdrückung. Zudem wurde in diesem Ansatz keinerlei Merkmalsextraktion oder -auswahl durchgeführt. Somit kann unser vorgeschlagener Algorithmus auch unbekannte EKG-Signale präzise erkennen, selbst wenn sie durch Rauschen beeinträchtigt sind. Daher ist dieses System geeignet, in klinische Umgebungen eingeführt zu werden, um Ärzte bei der Diagnose von Myokardinfarkten zu unterstützen.