一、研究对象和ECG记录预处理

本研究采用Chapman大学和Shaoxing人民医院（浙江大学医学院绍兴医院）收集的12导联ECG数据库，对双模态CNN模型进行验证。在预处理阶段，对原始ECG信号进行了滤波、去除基线漂移和降噪处理。

二、机器学习和LSTM

本研究首先使用多级（5级）1-D离散小波变换（Daubechies db6）计算ECG信号的小波系数，然后从小波系数中提取各种统计特征向量。这些提取的统计特征向量作为机器学习算法的输入。评估了逻辑回归和XGBoost等机器学习算法。

三、将一维ECG记录转换为二维图像

将一维ECG记录转换为灰度图像和小波图，作为双模态CNN模型的输入。灰度图像以黑色背景和白色ECG信号呈现，而小波图则通过对ECG记录应用连续小波变换（CWT）生成。

图1 四组心电图记录(AFIB、GSVT、SB和SR)的灰度图像和标量图像的样本图像。每列代表AFIB、GSVT、SB和SR类别。第一行是ECG信号的灰度图像，第二行是ECG信号的比例图。

四、双模态CNN模型

双模态CNN模型将灰度图像和小波图作为输入图像。每种不同的输入图像模态同时传入两个相同的预训练Inception-v3骨干模型。在双模态CNN模型中，分别从两个预训练的Inception-v3模型的特征提取器部分提取特征。将从ECG灰度图像提取的特征向量与从小波图获得的特征向量进行连接，然后将连接后的特征向量传递到由全连接层和softmax激活函数组成的分类器部分，以对四个ECG记录组（AFIB，GSVT，SB和SR）进行分类。新分类器的权重使用随机值进行初始化，而卷积层的权重则使用Inception-v3模型的预训练权重进行初始化。然后，通过将ECG灰度图像和小波图训练集的错误反向传播，分别对两个相同Inception-v3骨干模型的特征提取器部分的权重进行微调，并从头开始重新训练分类器部分的权重。

图2 提出的双模态CNN模型架构。灰度图像和标量图被同时提供给相同的Inception-v3模型。两个Inception-v3的输出特征被连接，并被馈送到具有softmax激活函数的完全连接的分类层，该分类层输出4个标签的范围在0-1内的预测值。

五、性能评估

为评估双模态CNN模型的判别能力，我们计算了总体分类准确率（ACC）、敏感性（SEN）、精确度（PRE）、F1分数和接收者操作特征曲线下面积（AUC）。实验结果表明，双模态CNN模型在心血管疾病分类方面的性能优于逻辑回归、XGBoost、LSTM和单一CNN模型。

图3 比较导联II的灰度图像、标度图和双峰模型的AUC。TPR，真阳性率；FPR，假阳性率。(a) AFIB类(b) GSVT类(c) SB类(d) SR类。

通过本研究，我们可以得出结论：双模态CNN模型通过共同训练ECG灰度图像和小波图，为心血管疾病分类提供了一种有效的方法。实验结果表明，这种方法在CVD诊断中的准确性优于其他机器学习方法。然而，为了验证该模型的泛化能力，我们仍需要在更多的大型ECG数据集上进行进一步实验。

参考文献

Yoon, T., Kang, D. Bimodal CNN for cardiovascular disease classification by co-training ECG grayscale images and scalograms. Sci Rep 13, 2937 (2023). https://doi.org/10.1038/s41598-023-30208-8

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/455164.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！