Resumen

Descubrir representaciones de características compartidas e invariantes entre sujetos en tareas de clasificación de electrocardiogramas (ECG) es crucial para mejorar la generalización de los modelos a pacientes desconocidos. Aunque las redes neuronales profundas han emergido recientemente en la extracción de características generalizables de ECG, normalmente se basan en muestras etiquetadas de un gran número de sujetos para garantizar la generalización. Extraer representaciones invariantes a las variabilidades intersujeto a partir de un pequeño número de sujetos sigue siendo un reto hoy en día debido a las diferencias físicas individuales. Para abordar este problema, proponemos un marco de red neuronal profunda adversarial para la clasificación de latidos cardíacos entre pacientes mediante la integración del aprendizaje adversarial en una red neuronal convolucional para aprender características distintivas de clase e invariantes del sujeto. El método propuesto se evaluó en la base de datos de arritmias MIT-BIH, que es un conjunto de datos de ECG de acceso público recopilados de 47 pacientes. En comparación con los métodos más avanzados, el método propuesto logra el mayor rendimiento en la detección de latidos ectópicos supraventriculares (SVEB), que son muy difíciles de identificar, y también obtiene un rendimiento comparable en la detección de latidos ectópicos ventriculares (VEB). Las sensibilidades de los SVEB y los VEB son del 78,8 y 92,5%, respectivamente. Las precisiones de los SVEB y los VEB son del 90,8 y 94,3%, respectivamente. Con un alto rendimiento en la detección de clases patológicas (es decir, SVEBs y VEBs), este trabajo proporciona un método prometedor para tareas de clasificación de ECG cuando el número de pacientes es limitado.

• 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:SVEBs, VEBs, sujetos, marco de redes neuronales profundas adversariales, base de datos de arritmias BIH, tareas de clasificación de ECG, conjunto de datos de ECG disponibles, red neuronal convolucional, redes neuronales profundas, características de ECG generalizables.
• Keywords:SVEBs, VEBs, subjects, adversarial deep neural network framework, BIH arrhythmia database, ECG classification tasks, available ECG dataset, convolutional neural network, deep neural networks, generalizable ECG features