Широкая и глубокая трансформерная нейронная сеть для классификации 12-канальной ЭКГ

A Wide and Deep Transformer Neural Network for 12-Lead ECG Classification
Jonathan Rubin, Annamalai Natarajan, Shruti G. Vij, Sara Mariani, Yale Chang, Asif Rahman, Gregory Boverman
2020-12-30

классификация 12-канальной ЭКГсоревнование PhysioNet/CinC 2020 годавыявление сердечных аномалийобобщённая взвешенная точностьширокая и глубокая трансформерная сеть
Сердечно-сосудистые нарушения являются одной из ведущих причин смерти, поэтому их ранняя диагностика важна для своевременного проведения медицинских вмешательств. Целью конкурса PhysioNet/CinC 2020 года была разработка алгоритмов диагностики множественных сердечно-сосудистых нарушений по данным 12-канальной электрокардиограммы (ЭКГ). В данной работе разработана широкая и глубокая трансформерная нейронная сеть для классификации каждой последовательности 12-канальной ЭКГ по 27 классам сердечных нарушений. Наш подход объединяет сконструированные вручную признаки ЭКГ, признанные важными с помощью модели случайного леса, и дискриминативные представления признаков, автоматически извлекаемые трансформерной нейронной сетью. Наша заявка на конкурс PhysioNet/CinC 2020 года заняла первое место среди 41 команды, вошедшей в официальный рейтинг (название команды: prna). При оценке с использованием официальной метрики обобщённой взвешенной точности мы получили валидационный результат 0.587 и лучший результат 0.533 на полном отложенном тестовом наборе.
1
Широкая и глубокая трансформерная нейронная сеть классифицирует последовательности 12-канальной ЭКГ по 27 классам сердечных нарушений.
2
Модель достигла обобщённой взвешенной точности 0,587 на валидационных данных и 0,533 на полном отложенном тестовом наборе.
3
Предложенный подход занял первое место среди 41 официальной команды в конкурсе PhysioNet/CinC 2020 года.
4
Модель объединяет разработанные вручную признаки ЭКГ, отобранные случайным лесом, с дискриминативными представлениями, автоматически изученными трансформером.

12-канальные последовательности ЭКГ

Классификация сердечных аномалий по 27 классам с использованием вручную разработанных и автоматически извлечённых трансформером признаков

Publication Details
Publication Date
2020-12-30
Journal
Publisher
ISSN
Cited by
189
Access Type
Author Information
Authors
Jonathan Rubin
Annamalai Natarajan
Shruti G. Vij
Sara Mariani
Yale Chang
Asif Rahman
Gregory Boverman
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%