Resumen

La fibrilación auricular es la arritmia más frecuente y se asocia a una elevada morbilidad y mortalidad por ictus, insuficiencia cardiaca, infarto de miocardio y trombosis cerebral. La detección eficaz y rápida de la fibrilación auricular es fundamental para reducir la morbilidad y mortalidad de los pacientes. La detección rápida y eficaz de la fibrilación auricular sigue siendo una tarea difícil. En este trabajo, proponemos SS-SWT y SI-CNN: un marco de detección de fibrilación auricular para la señal de ECG de tiempo-frecuencia. En primer lugar, se utiliza la transformada wavelet estacionaria de escala específica (SS-SWT) para descomponer una señal de ECG de 5 s en 8 escalas. Se seleccionan escalas específicas de coeficientes como características válidas de tiempo-frecuencia y se abandonan los demás coeficientes. Los coeficientes seleccionados se introducen en la red neuronal convolucional independiente de la escala (SI-CNN) como una matriz bidimensional (2D). En la SI-CNN, se diseña un núcleo de convolución específico para las características de tiempo-frecuencia de las señales de ECG. Durante el proceso de convolución, se preserva la independencia entre cada escala de coeficiente, y se extraen eficazmente las características del dominio temporal y del dominio frecuencial de la señal ECG, y finalmente se identifica con rapidez y precisión la señal de fibrilación auricular. En este estudio, se realizan experimentos utilizando los datos de AFDB del MIT-BIH en segmentos de datos de 5 segundos. Alcanzamos una sensibilidad del 99,03%, una especificidad del 99,35% y una precisión global del 99,23%. La SS-SWT y la SI-CNN que proponemos simplifican el paso de extracción de características, extraen eficazmente las características del ECG y reducen la redundancia de características que puede causar la transformación wavelet. Los resultados muestran que el método puede detectar eficazmente las señales de fibrilación auricular y tiene potencial en la aplicación clínica.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:CNN, SI, SS, SWT, escala, fibrilación auricular, marco de detección de fibrilación auricular, red neuronal convolucional independiente, datos BIH AFDB, señal de fibrilación auricular.
• Keywords:CNN, SI, SS, SWT, scale, atrial fibrillation, atrial fibrillation detection framework, independent convolutional neural network, BIH AFDB data, atrial fibrillation signal