Resumen

La clasificación automática del ECG es muy importante para la prevención precoz y el diagnóstico auxiliar de los pacientes con enfermedades cardiovasculares. En los últimos años, muchos estudios basados en ECG han logrado buenos resultados, la mayoría de los cuales se basan en problemas de etiqueta única; un registro corresponde a una etiqueta. Sin embargo, en las aplicaciones clínicas reales, un registro de ECG puede contener múltiples enfermedades al mismo tiempo. Por lo tanto, es muy importante estudiar la clasificación de ECG multietiqueta. En este trabajo se propone un modelo de red neuronal profunda residual multiescala CSA-MResNet basado en el mecanismo de atención espacial del canal. En primer lugar, la red residual se integra de forma multiescala para obtener las características de los datos de ECG a diferentes escalas y, a continuación, aumentar el mecanismo de atención espacial de canal para centrarse mejor en los canales más importantes y en los fragmentos de datos de ECG más importantes. Por último, el modelo se utiliza para clasificar multietiqueta en grandes bases de datos. Los resultados experimentales en la CCDD multietiqueta muestran que el modelo CSA-MResNet tiene una puntuación F1 media del 88,2% cuando se realiza la clasificación multietiqueta de 9 ECG. En comparación con el modelo de referencia, la puntuación F1 de CSA-MResNet en la clasificación de ECG multietiqueta aumentó hasta un 1,7%. Y, en la verificación del modelo en otra base de datos HF-challenge, la puntuación F1 media final es del 85,8%. En comparación con los métodos más avanzados, CSA-MResNet puede ayudar a los cardiólogos a realizar un cribado rápido de ECG en una fase temprana y tiene un cierto rendimiento de generalización, proporcionando un método de análisis factible para la clasificación de ECG multietiqueta.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:clasificación ECG multietiqueta, mecanismo de atención espacial, CSA, ECG, modelo MResNet, puntuación F1 media final, fragmentos de datos ECG importantes, red neuronal profunda residual multiescala CSA, aplicaciones clínicas reales, puntuación F1 media.
• Keywords:multilabel ECG classification, spatial attention mechanism, CSA, ECG, MResNet model, final average F1 score, important ECG data fragments, multiscale residual deep neural network CSA, actual clinical applications, average F1 score