换一批摘要针对心房颤动疾病诊断检测复杂,病理检查有创等问题,构建基于脉搏波与深度学习的心房颤动分类预测模型,实现对心房颤动疾病的准确预测.首先,通过脉搏波设备采集数据,与MIMIC-III数据库数据共同构建PPG-AF数据集;其次,基于Pytorch深度学习框架构建用于房颤分类的ResNet-CBAM-1DCNN双通道卷积神经网络;最后,将数据集按照8:1:1的比例划分为训练集,验证集和测试集,将脉搏波和其对应的格拉姆角场图作为输入,通过对网络结构和超参数的优化,在测试集中分类的F1分数达到了97.30%,准确度达到98.12%.本研究基于脉搏波信号与双通道卷积神经网络模型,能够实现对心房颤动疾病的准确诊断,有望为临床医师制定最佳治疗决策提供重要依据.
更多相关知识
关键词
心房颤动深度学习脉搏波Resnet-CBAM格拉姆角场atrial fibrillationdeep learningpulse waveResnet-CBAMGramian angular field
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.1005-202X.2023.10.013
发布时间
2023-11-15（万方平台首次上网日期，不代表论文的发表时间）
- 浏览75
- 被引1
- 下载5
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
