结合多模态融合方式的脉搏波房颤识别

针对心房颤动疾病诊断检测复杂，病理检查有创等问题，构建基于脉搏波与深度学习的心房颤动分类预测模型，实现对心房颤动疾病的准确预测。首先，通过脉搏波设备采集数据，与MIMIC-Ⅲ数据库数据共同构建PPG-AF数据集；其次，基于Pytorch深度学习框架构建用于房颤分类的ResNet-CBAM-1DCNN双通道卷积神经网络；最后，将数据集按照8:1:1的比例划分为训练集，验证集和测试集，将脉搏波和其对应的格拉姆角场图作为输入，通过对网络结构和超参数的优化，在测试集中分类的F1分数达到了97.30%，准确度达到98.12%。本研究基于脉搏波信号与双通道卷积神经网络模型，能够实现对心房颤动疾病的准确诊断，有望为临床医师制定最佳治疗决策提供重要依据。