글로벌 ECG 분류를 위한 기능 주입이 있는 컴팩트 1D 자기 운영 신경망

리듬 감지를 위한 ECG 분류 판독 문제를 해결하기 위해, 본 논문에서는 새로운 딥 러닝 접근법이 제시됩니다. 형태와 타이밍과 같은 심장 주기에 대한 중요한 정보를 캡처하기 위해, 제안된 기술은 기능 주입을 컴팩트 1D 자기 운영 신경망(Self-ONN)과 통합합니다. 이렇게 함으로써 유창하고 매력적인 데이터 기록이 가능합니다. 뛰어난 성능을 바탕으로, 이 네트워크는 현재 모델을 초월하여 분류 작업을 수행하며 최소한의 계산 복잡성을 유지합니다. 뛰어난 결과는 MIT-BIH 부정맥 벤치마크 데이터베이스로 훈련을 통해 달성되었습니다. 이 네트워크는 정상 세그먼트(99%), 심방 조기 박동(82%), 심실 조기 박동(94%)에 대한 정확도, 재현율 및 F1 점수에서 뛰어난 수준을 보여주며, 그 능력을 입증합니다. 이 연구는 착용 가능한 ECG 센서에서 자가 모니터링 및 심혈관 질환의 조기 감지를 위한 접근법의 적용 가능성을 보여줍니다. 본 논문은 네트워크 아키텍처, 데이터 처리 단계 및 현재 알고리즘과의 비교에 대한 포괄적인 통찰력을 제공합니다. 제안된 접근법은 F1 점수, 정확도, 민감도, 특이도 및 양성 예측 값 측면에서 다양한 박자 유형에 적용할 때 다른 방법보다 뛰어납니다. 이 보고서에는 모델의 압축성 및 환자 특이적과 글로벌 ECG 분류 기법 간 성능 차이를 줄이는 것의 중요성을 강조한 계산 복잡성 분석이 포함되어 있습니다.