基于CResFormer的重症心血管疾病患者内和患者间多分类

严重的心血管疾病会迅速导致死亡。目前，使用心电图（ECG）的深度学习领域的大多数研究都是在患者体内实验中进行的，用于对冠状动脉疾病（CAD）、心肌梗死和充血性心力衰竭（CHF）进行分类。相比之下，实际情况是患者间的实验。在这项研究中，我们提出了一种具有双重特征提取的深度学习网络，即CResFormer，以提高对此类疾病进行分类的准确性。首先，使用未经预处理的双导联心电信号的固定分割作为输入数据。其次，一维卷积层执行适度的降维以适应随后的特征提取。然后，ResNet残差网络块层和变换器编码器层依次进行特征提取，以获得关键关联的抽象特征。最后，使用Softmax函数进行分类。值得注意的是，在处理不平衡的数据集时使用了焦点损失函数。在患者内实验中，四种严重心血管疾病分类的平均准确率、敏感性、阳性预测值和特异性分别为99.84%、99.68%、99.71%和99.90%，在患者间实验中分别为97.48%、93.54%、96.30%和97.89%。此外，该模型在不平衡数据集中表现良好，并显示出良好的噪声鲁棒性。因此，该模型在实际临床环境中诊断CAD、MI和CHF具有很大的应用潜力。