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。

一种基于MSDCNN-LSTM的设备RUL预测方法

针对设备剩余使用寿命(RUL)预测过程中数据维度高,时间序列相关性信息难以充分考虑的实际应用需求,提出一种多尺度深度卷积神经网络和长短时记忆网络融合(multi-scale deep convolutional neural network and long short-term memory,MSDCNN-LSTM)的设备剩余寿命预测方法。对传感器数据进行标准化和滑动时间窗口处理得到输入样本;采用基于多尺度深度卷积神经网络(MSDCNN)提取空间详细特征,采用长短时记忆网络(LSTM)提取时间相关性特征以进行有效的预测。基于商用模块化航空推进系统仿真数据集的实验表明,相较于其他最新方法,文中提出的方法取得了较好的预测结果,尤其是对于故障模式和运行条件复杂的设备寿命预测需求,该方法效果明显。