摘要

心房颤动是一种影响全球约3350万人的心律失常疾病，是60岁以上人群三分之一中风的潜在原因。心房颤动（AFIB）的检测和诊断在临床环境中通过非侵入性评估心电图（ECGs）来完成。早期关于自动检测心电图信号中AFIB的研究主要集中在传统的生物医学信号分析上，以提取用于统计分类模型的重要特征。近年来，人工智能模型开始被应用于这一领域，这些模型采用了卷积和/或循环网络架构。本研究中，通过应用短时傅里叶变换并以频谱图的形式直观表示信息，提取了心电图信号的重要时域和频域特征。研究探讨了两种不同的分类方法，这两种方法利用了从心电图片段构建的频谱图中的深层特征。第一种方法使用预训练的DenseNet模型提取特征，然后使用支持向量机进行分类；第二种方法则直接将频谱图作为输入送入卷积神经网络。两种方法均在MIT-BIH AFIB数据集上进行了评估，其中卷积神经网络方法达到了93.16%的分类准确率。尽管这些结果未能超越已建立的自动心房颤动检测方法，但它们仍具有前景，并且鉴于无需任何噪声预滤波、手工设计特征或依赖心跳检测，值得进一步研究。