基于卷积神经网络的流出道室性期前收缩心电信号人工智能定位诊断的模型构建
Model building of electrocardiogram signal artificial intelligence localization for outflow tract premature ventricular complex based on convolutional neural network
目的 构建基于卷积神经网络(convolutional neural network,CNN)的流出道室性期前收缩(outflow tractpremature ventricular complex,OTPVC)心电信号的人工智能定位诊断模型.方法 研究纳入了2015年10月至2019年11月就诊于广东省人民医院,经心电生理检查确诊为OTPVC的421例患者,其中右心室流出道(RVOT)330例,左心室流出道(LVOT)91例,采集每例患者各1份包含室性期前收缩(premature ventricular complex,PVC)的体表12导联心电信号及心电图.心电信号经过预处理,输入VGGNet、ResNet和MobileNet等3种CNN进行训练,构建3种人工智能OTPVC左右侧二分类定位诊断模型,比较3种模型的诊断效能,并与两名心电生理专科医师的诊断结果进行对比.结果 基于VGGNet、ResNet和MobileNet架构的3种CNN模型的曲线下面积均为0.88,对OTPVC二分类定位诊断的准确度分别为87.65%、88.84%、89.31%,敏感度为92.12%、95.45%、95.45%,特异度为71.43%、64.84%、67.03%.两名心电生理医师对OTPVC的准确度分别为77.78%、79.01%,敏感度为93.70%、97.64%,特异度为20.00%、11.43%.3种CNN模型的诊断效能相近,其敏感度与两名医师相近,但准确度和特异度高于两名医师.结论 本研究成功构建了OTPVC心电信号的3种CNN人工智能左右侧定位诊断模型,构建的人工智能模型均具有良好的诊断效能,有望在体表心电信号定位诊断中发挥重要作用.
更多- 浏览:33
- 被引:0
- 下载:14
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文