Resumen

El electrocardiograma (ECG) contiene las características rítmicas del latido cardiaco continuo y las características morfológicas de las formas de onda del ECG y varía entre las distintas enfermedades. Basándonos en las características de la señal de ECG, proponemos una combinación de múltiples redes neuronales, la red neuronal paralela multicanal (MLCNN-BiLSTM), para explorar la información de características contenida en el ECG. El canal MLCNN se utiliza para extraer las características morfológicas de las formas de onda del ECG. En comparación con las redes neuronales convolucionales (CNN) tradicionales, la MLCNN puede extraer con precisión la información relevante más importante del ECG de varias derivaciones e ignorar la información irrelevante. Es adecuada para las estructuras especiales de los ECG multicuenta. El canal de memoria bidireccional a corto plazo (BiLSTM) se utiliza para extraer las características rítmicas de los latidos continuos del ECG. Por último, mediante la inicialización de los parámetros del umbral central y el uso del algoritmo de retropropagación para actualizar automáticamente, la fusión ponderada de las características temporales-espaciales extraídas de múltiples canales en paralelo se utiliza para explorar la sensibilidad de diferentes enfermedades cardiovasculares a las características morfológicas y rítmicas. Los resultados experimentales muestran que la tasa de precisión de múltiples enfermedades cardiovasculares es del 87,81%, la sensibilidad del 86,00% y la especificidad del 87,76%. Propusimos la red neuronal MLCNN-BiLSTM que puede utilizarse como herramienta de cribado de primera ronda para el diagnóstico clínico de ECG.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:características rítmicas, ECG, MLCNN, formas de onda de ECG, latido cardiaco continuo, características morfológicas, ECG multiplomo, red neuronal convolucional tradicional, red neuronal BiLSTM, Bidireccional Largo Corto
• Keywords:rhythmic features, ECG, MLCNN, ECG waveforms, continuous heartbeat, morphological features, multilead ECG, traditional convolutional neural network, BiLSTM neural network, Bidirectional Long Short