室上性心动过速机制的智能分类模型:基于十二导联穿戴式心电设备

目的基于十二导联穿戴式心电设备,探索室上性心动过速(SVT)机制鉴别的智能分类模型。方法选取356份SVT的穿戴式心电图,通过五折交叉验证的方式随机分为训练集、验证集建立智能分类模型,选取2021年10月~2023年3月诊断为SVT并行电生理检查及射频消融术的患者共101例作为测试集。对比心动过速诱发前后的心电图参数改变,基于多尺度深度神经网络,并加入窦性心律对比图增强训练,建立SVT机制分类的智能分类模型并验证诊断效能。进一步提取II,III,V1三导联心电信号建立分类模型,并对比其与十二导联智能分类模型的效能。结果101例测试集中68例为房室结折返性心动过速,33例为房室折返性心动过速。预训练模型在验证集中识别房室结折返性心动过速的最高精确率-召回率曲线下面积达到0.9492,F1评分为0.8195。最终II导联,III导联,V1导联,三导联与十二导联智能分类模型于测试集中的总F1评分分别为0.5597,0.6061,0.3419,0.6003与0.6136。对比十二导联,III导联的净重新分类指数与综合判别改善指数分别为-0.029(P=0.714)与-0.005(P=0.817)。结论基于多尺度深度神经网络,初步建立了穿戴式心电图对SVT机制分类的智能分类模型,并具有一定的准确性。

基于DenseNet的心电数据自动诊断算法

目的使用卷积网络训练多导联心电图数据,并将新的心电数据准确地分类,为医生提供可靠的辅助诊断信息。方法先用带通滤波器对数据进行预处理,使用信号分帧的方式调整不同长度的数据处于同样的大小,便于网络的训练测试;同时采用增加样本的方法扩充数据整体,增加异常样本的检出率;针对不同导联的差异性使用深度可分离卷积更有针对性地提取不同通道的特征。使用基于DenseNet的分类模型对多个标签分别训练二分类器,完成多标签分类任务。结果对数据的正异常识别准确率可以达到80.13%,灵敏度,特异度和F1分别为80.38%,79.91%和79.35%。结论本文提出的模型能快速并有效地对心电数据进行预测,在GPU上单个数据的运行时间约在33.59 ms,实时预测结果能满足应用需求。

12导联穿戴心电设备在院前诊断急性ST段抬高型心肌梗死中的应用

目的 探索12导联穿戴心电设备在院前诊断急性ST段抬高型心肌梗死(STEMI)的应用价值。方法 选取2019年1月-2021年8月“全国心电一张网”中使用12导联穿戴心电设备危急值预警ST改变的441例患者心电图,回顾性分析STEMI病例的基本特点、响应时间及被检者主诉;分析院前穿戴心电图人工判读的STEMI病例、穿戴设备AI智能诊断的STEMI病例的诊断准确性。结果 院前穿戴心电图医生判读为STEMI的患者共89例,其中58例线上预警后去医院就诊,转诊率为65.17%。心电图诊断评估平均用时为153.02 s,心电图诊断审核平均用时为178.06 s。院前穿戴心电图人工判读STEMI、院前穿戴心电设备AI诊断STEMI的敏感度分别为100%、88.37%,特异度分别为95.40%、79.31%。院前穿戴心电图人工判读STEMI、穿戴心电设备AI智能诊断STEMI与临床确诊STEMI具有较高的一致性。结论 12导联穿戴心电设备能够在医院外场景准确记录STEMI患者的心电图,并实现短时间内上传且快速获得诊断。院前穿戴心电图无论是人工判读还是AI诊断STEMI的准确性率均较高。

可穿戴式心电信号R峰检测的心拍感知卷积网络

目的 实现可穿戴式心电信号的R峰检测,为准确估计心率、心率变异性等生理参数提供基础。方法 采用全卷积网络预测R峰热图,对热图进行峰值定位获得R峰位置。引入心拍感知模块,联合心拍数量预测任务和R峰热图预测任务进行学习,提高卷积网络对全局上下文信息的提取能力。心拍感知模块预测的心拍数量还可估计R-R间期,用作峰值定位的峰间最小水平距离。为满足移动端的实时应用,采用深度可分离卷积减小模型的参数量和计算量。结果 实验仅使用可穿戴式心电数据训练模型。测试中定位误差容忍度设置为150 ms时,本文方法在可穿戴式心电数据集和公开数据集LUDB上的R峰检测灵敏度均高达100%,真阳率均超过99.9%;对于时长10 s的ECG信号,R峰检测CPU耗时约为23.2 ms。结论 本文方法对可穿戴式和常规心电信号的R峰检测均可达到良好效果,且满足R峰检测的实时性需求。