Los científicos proponen una red neuronal para la detección de arritmias multiclase
Crédito: CC0 Public Domain
El análisis de electrocardiograma (ECG) automatizado para la detección de arritmias desempeña un papel fundamental en la prevención y el diagnóstico tempranos de enfermedades cardiovasculares.
Debido a los ritmos anómalos variables y la distribución del ruido, la extracción de características potentes de las señales de ECG sin procesar para la detección de enfermedades detalladas sigue siendo un desafío.
La mayoría de los estudios anteriores dependían de segmentos de señal de una sola escala o del latido del corazón, que ignoraban la información complementaria subyacente de diferentes escalas en el aspecto espaciotemporal de la señal de ECG de múltiples derivaciones.
Un equipo de investigación dirigido por el Prof. FAN Jianping y el Prof. LI Ye de los Institutos de Tecnología Avanzada de Shenzhen (SIAT) de la Academia de Ciencias de China propuso un nuevo método de análisis de ECG basado en el aprendizaje profundo para evitar resultados insatisfactorios. Precisión de reconocimiento de múltiples arritmias.
Este estudio se publicó como una sugerencia de los editores en IEEE Journal of Biomedical and Health Informatics el 13 de abril.
A diferencia de los enfoques de detección de ECG existentes que consideran solo la información del latido del corazón o de la señal de escala única , se formula una nueva arquitectura de red neuronal convolucional de fusión multiescala profunda para la detección de arritmias. La arquitectura de red diseñada empleó optimización de funciones de escala múltiple e integró aprendizaje de pérdida múltiple simultáneamente.
Para el análisis de ECG, las características de escala cruzada de segmentos con diferentes tamaños fueron extraídas por múltiples núcleos de convolución con diferentes campos receptivos. Además, se utilizó la atención espacial para seguir extrayendo la información discriminatoria de la señal.
Los investigadores diseñaron una estrategia de optimización conjunta con múltiples pérdidas de diferentes escalas, que no solo podía aprender características específicas de la escala, sino también realizar un aprendizaje acumulativo de características complementarias de múltiples escalas durante el proceso de aprendizaje.
El método anterior ha realizado una discriminación efectiva de nueve tipos de enfermedades de arritmia. Sobre la base de 9831 señales de ECG de 12 derivaciones, alrededor de 609 522 latidos, la precisión del reconocimiento de arritmia ha alcanzado el 83,8 %, lo que superó a otros enfoques de última generación. Un ECG de 12 derivaciones pinta una imagen completa de la actividad eléctrica del corazón mediante el registro de información a través de 12 perspectivas diferentes.
«Con la ayuda de la fusión de características de múltiples escalas, el método propuesto destaca el área irregular relacionada en comparación con otros enfoques La ubicación del segmento del patrón anormal es más precisa, lo que puede ayudar a los médicos a localizar y diagnosticar patrones anormales más rápido y mejor, y luego mejorar la eficiencia y precisión del diagnóstico «, dijo el Dr. Wang Ruxin, primer autor del estudio.
Explore más
Los científicos califican la retinopatía diabética automáticamente mediante tecnología de aprendizaje automático Más información: Ruxin Wang et al. Red neuronal de fusión multiescala profunda para la detección de arritmias multiclase, IEEE Journal of Biomedical and Health Informatics (2020). DOI: 10.1109/JBHI.2020.2981526 Proporcionado por la Academia de Ciencias de China Cita: Los científicos proponen una red neuronal para la detección de arritmias multiclase (11 de mayo de 2020) consultado el 31 de agosto de 2022 en https://medicalxpress.com /news/2020-05-scientists-neural-network-multi-class-arrhythmia.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.