Petrov

使用深度学习Oleksii Kovalchuk A，Pavlo Radiuk A，Oleksander Barmak A，Sergis Petrovskyi A a

摘要在过去的十年中，深度学习技术已在医疗保健行业广泛使用，以检测心跳和诊断心脏病。但是，这些工具因“黑匣子”和缺乏透明度而受到批评。因此，在本文中，我们提出了一种新方法，使通过深度学习更可理解的分类结果。我们建议基于与特定心脏条件相对应的ECG信号形成特征向量。该矢量包括心脏周期的可测量特征，例如波浪持续时间和振幅，这些特征对于医疗保健专业人员来说是典型且可以理解的。此功能向量是充当功能编码器和分类器的深神经网络的输入数据。我们使用手工特征矢量的计算实验达到了98.69％的平均准确性，与基于完整的心脏周期的其他深度学习工具相当。这项研究的结果表明，未来的研究应着重于开发可解释的深度学习工具，这些工具对医疗保健专业人员来说是透明且可理解的。关键字1心电图信号，MIT-BIH心律失常数据库，特征提取，深度学习，可解释的人工智能