面向心肌梗死诊断：基于 ECG 数据的机器学习与深度学习算法研究
Towards Myocardial Infarction Diagnosis: An Investigation into Machine Learning and Deep Learning Algorithms using ECG Data
预印本 · 尚未经过同行评审
Visionary V2 滤波后，决策树集成在 PTB 数据库 15 导联上检测心肌梗死达 96.6% 准确率。
心肌梗死（MI）是一种严重且可能致命的心脏疾病，由缺血导致的心肌损伤引起，及时检出可大幅降低其死亡率。心电图（ECG）是 MI 的主要诊断手段，但人工判读容易受到人为误差的影响。在本工作中，我们提出 Visionary V2，一种用于 ECG 信号归一化的多步骤自适应滤波方法，并用它基于 PTB Diagnostic ECG Database 的全部 15 个可用导联，研究用于 MI 检测的机器学习（ML）与深度学习（DL）方法。在从滤波后信号提取的统计特征（如 R-R 间期）上，决策树的 Bagging 集成达到 96.6% 的准确率，而使用 BioSPPy 处理信号时为 87.7%。我们进一步由滤波后信号生成图像数据集，在其上定制的 ResNet-50 仅将 7,000 张验证图像中的 1 张误分类，定制的 CNN 达到约 98.7% 的 F1 分数。最后，我们应用 LIME、Grad-CAM 和 Integrated Gradients 验证图像模型关注的是 ECG 波形而非背景。这些结果表明，细致的信号归一化结合 ML 与 DL 模型可以支持快速、准确的自动化 MI 筛查。
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv · Image and Video Processing · arxiv.org