心房細動分類のための心電図信号を用いた新しい深層心律不整診断ネットワーク

心房細動（Atrial Fibrillation, AF）は、高齢者に多く見られる深刻で再発性の心臓リズム異常であり、生命を脅かす疾患である。自動分類は、医療科学およびバイオインフォマティクス分野において極めて価値ある研究テーマであり、特に心房細動の検出において重要性が高まっている。しかし、心電図（ECG）信号は振幅が小さく、持続時間が短いため、手動による解析ではその局所的特徴を正確に把握することが困難であり、さらに信号の複雑さと非線形性が解析をさらに難しくしている。本研究では、ECG信号を用いて心房細動の心拍を自動検出するため、新たな深層学習アプローチとして「深層CNN-BLSTMネットワークモデル」を提案する。本モデルは、主に4層の畳み込み層、2層のBLSTM層、および2層の全結合層から構成されている。本研究では、RR間隔データ（セットA）および心拍波形（P-QRS-T波を含む、セットB）を上記モデルに投入して解析を行った。特に重要なのは、提案手法がセットAの学習セットおよび検証セットにおいて、それぞれ99.94%および98.63%という高い精度を達成した点である。さらに、未知のテストデータセット（テストセット）においては、96.59%の精度、99.93%の感度、97.03%の特異度を達成した。本研究の知見によれば、提案アルゴリズムは多数の最先端研究と比較しても優れた性能を示しており、心房細動の自動検出における新たな解決策を提供するものである。