Resumen

En este trabajo se combinan el procesamiento de señales ecocardiográficas y la tecnología de inteligencia artificial para proponer un modelo de red neuronal profunda adaptado a las señales ecocardiográficas con el fin de lograr la medición del volumen de la aurícula izquierda y la evaluación automática de las venas pulmonares de forma eficiente y rápida. Basándose en el mecanismo de generación de señales ecocardiográficas y el método de detección, se diseñó un esquema experimental para la adquisición de señales ecocardiográficas. Se midieron los datos de la señal ecocardiográfica de sujetos sanos en cuatro estados experimentales diferentes, y se construyó una base de datos de mediciones del volumen auricular izquierdo y de las venas pulmonares. Combinando la correspondencia entre las señales de ECG y las señales ecocardiográficas en el dominio temporal, se realizó una serie de preprocesamientos como la eliminación de ruido, la localización de puntos característicos y la segmentación del ciclo cardiaco mediante la transformada wavelet y el método de umbral para completar la recopilación de datos. Este trabajo propone un modelo comparativo basado en inteligencia artificial, se adapta a las características de las señales ecocardiográficas de series temporales unidimensionales, extrae automáticamente las características profundas de las señales ecocardiográficas, reduce eficazmente la influencia subjetiva de la selección manual de características y realiza la clasificación y evaluación automáticas de la medición del volumen de la aurícula izquierda humana y las venas pulmonares en diferentes estados. Los resultados experimentales muestran que el modelo de red neuronal BP propuesto tiene una buena adaptabilidad y rendimiento de clasificación en las tareas de medición del volumen del VI y evaluación de la clasificación automática de las venas pulmonares, y alcanza una precisión de prueba media superior al 96,58%. El porcentaje medio de error cuadrático medio de compresión de la señal es de sólo 0,65 al extraer las características de codificación de la señal ecocardiográfica original mediante el autoencoder convolucional, lo que completa la compresión de la señal con una pérdida baja. Comparando el tiempo de entrenamiento y la precisión de clasificación de la red LSTM con la señal original y las características codificadas, los resultados experimentales muestran que el modelo de IA puede reducir en gran medida el coste del tiempo de entrenamiento del modelo y alcanzar una precisión media del 97,97% en el conjunto de pruebas y aumentar el rendimiento en tiempo real de la medición del volumen de la aurícula izquierda y la evaluación de la vena pulmonar, así como la seguridad del proceso de transmisión de datos, lo cual es muy importante para la comparación de la medición del volumen de la aurícula izquierda y la vena pulmonar. Es de gran importancia práctica comparar las mediciones del volumen auricular izquierdo y las venas pulmonares.

• 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:medición del volumen auricular izquierdo, señales ecocardiográficas, venas pulmonares, mediciones del volumen auricular izquierdo, resultados experimentales, compresión de señales, modelo de red neuronal profunda, mecanismo de generación de señales ecocardiográficas, coste del tiempo de entrenamiento del modelo, medición del volumen VI
• Keywords:left atrial volume measurement, echocardiographic signals, pulmonary veins, left atrial volume measurements, experimental results, signal compression, deep neural network model, echocardiographic signal generation mechanism, model training time cost, LV volume measurement