基于 1D 卷积神经网络的心律失常诊断新突破

研究人员提出 1D 卷积神经网络诊断心律失常模型，在多个数据库表现优异，提升诊断性能。

　　心电图（Electrocardiogram，ECG）被心脏病专家用于诊断心脏疾病。将 ECG 信号应用于人工智能系统，能够自动分析这些信号，进而提高诊断质量。为此，文献中提出了许多模型。然而，其中许多模型过于复杂，难以在用于医疗诊断的嵌入式系统中实现。还有一些模型的性能仍有待提高。为解决模型复杂度问题并同时提升性能，研究人员提出了一种简单的 1D 卷积神经网络模型用于心律失常诊断。该模型结合了两个卷积层、两个最大池化层、三个全连接层、两个随机失活（Dropout）层和一个展平层。研究人员将该模型应用于公开的 MIT-BIH 数据库，对符合医疗仪器促进协会（Association for Advancement of Medical Instrumentation，AAMI）标准的五种不同类型心跳节律进行患者间分类。还将模型应用于 PTB 数据库，以评估其泛化能力。在 MIT-BIH 数据库上，结果显示准确率为 0.9842，精确率为 0.9523，灵敏度为 0.8760，特异性为 0.9869，阴性预测值（Negative Predictive Value，NPV）为 0.9936，受试者工作特征曲线下平均面积（Average Area Under the ROC Curve，AUC）为 0.99，F1 分数为 0.9095。在 PTB 数据集上，准确率、精确率、灵敏度、特异性、NPV 和 AUC 分别为 0.9924、0.9938、0.9957、0.9844、0.9892 和 1。与其他现有模型相比，对于不平衡数据，该模型在患者间分类方面获得的性能相当出色。