要約
心房細動は、世界中で約3350万人に影響を与える心臓の不整脈であり、60歳以上の人の脳卒中の潜在的な原因として3件に1件を占めています。心房細動（AFIB）の検出と診断は、臨床環境において非侵襲的に電気生理学的記録（ECGs）の評価を通じて行われます。自動化された方法によるAFIBの検出に関する初期研究では、統計的分類モデルに使用する重要な特徴を抽出するために伝統的な生体医用工学信号解析が焦点となりました。最近では、畳み込みおよび/または再帰ネットワークアーキテクチャを用いた人工知能モデルが使用されています。本研究では、短時間フーリエ変換を適用してECG信号の重要な時間領域と周波数領域の特性を抽出し、スペクトログラムに視覚的に表現しました。2つの異なる分類手法が調査され、これらの手法はECGセグメントから構築されたスペクトログラムの深層特徴を利用しています。最初の手法では、事前学習済みのDenseNetモデルを使用して特徴を抽出し、その後サポートベクターマシンによって分類を行いました。2つ目の手法では、スペクトログラムを直接畳み込みネットワークへの入力として使用しました。両手法はMIT-BIH AFIBデータセットに対して評価され、畳み込みネットワーク手法は93.16%の分類精度を達成しました。これらの結果は確立された自動化された心房細動検出方法を超えていませんが、ノイズ除去フィルタや手作業による特徴量設計、または拍動検出への依存が必要でなかったことから、有望でありさらなる調査が望まれます。