Loading...
机构名称:
¥ 1.0

心血管疾病在现代社会中仍然是一个重要的问题。在非侵入性技术中,心电图(ECG)是检测心脏活动异常的最可靠方法之一。但是,ECG的解释需要专家知识,而且耗时。开发一种新的方法来早期检测疾病可以预防死亡和并发症。本文介绍了从心电图录音中分类心脏疾病的新颖方法。第一种方法表明,庞加莱的ECG信号和基于深度学习的图像分类器(Resnet5050和Densenet121是通过Poincaré图中学到的),这在预测AF(心理纯正)中表现出了体面的性能,但没有其他类型的心灵。Xgboost是一种梯度增强模型,在长期数据中表现出可接受的性能,但由于高度消耗的计算Wihtin在预处理阶段,因此具有很长的时间。最后,一维卷积模型(特别是1D Resnet)在所研究的CINC 2017和CINC 2020数据集中表现出了最佳结果,分别达到了F1分别达到85%和71%的F1分数,这比每个挑战的第一级解决方案都优于每个挑战的解决方案。本文还研究了效率指标,例如功耗和等效的CO2排放,其中一维模型(如1D CNN和1D Resnet)是最能量的效率。模型解释分析表明,Densenet使用心率变异性检测到AF,而1DRESNET评估了原始ECG信号中的AF模式。

arxiv:2009.01796v1 [Quant-ph] 3 Sep 2020

arxiv:2009.01796v1 [Quant-ph] 3 Sep 2020PDF文件第1页

arxiv:2009.01796v1 [Quant-ph] 3 Sep 2020PDF文件第2页

arxiv:2009.01796v1 [Quant-ph] 3 Sep 2020PDF文件第3页

arxiv:2009.01796v1 [Quant-ph] 3 Sep 2020PDF文件第4页

arxiv:2009.01796v1 [Quant-ph] 3 Sep 2020PDF文件第5页

相关文件推荐