用深度学习区分心电图中的正常、左束支阻滞和严格左束支阻滞
Evaluation of Deep Learning Models for LBBB Classification in ECG Signals
- 对比多种神经网络提取心电图时空特征
- 在三分类任务中实现高精度区分健康与不同类别的LBBB
- 为心脏再同步治疗患者筛选提供技术支撑
本研究探讨了多种神经网络架构在心电图（ECG）信号上的应用，旨在提取其时空模式，并将信号分类为三类：健康个体、左束支阻滞（LBBB）以及严格左束支阻滞（sLBBB）。该工作具有临床意义，因新兴技术可通过优化左束支阻滞患者的分类，提升心脏再同步治疗（CRT）候选者的选择精准度。
原文摘要 · Abstract (English)
This study explores different neural network architectures to evaluate their ability to extract spatial and temporal patterns from electrocardiographic (ECG) signals and classify them into three groups: healthy subjects, Left Bundle Branch Block (LBBB), and Strict Left Bundle Branch Block (sLBBB). Clinical Relevance, Innovative technologies enable the selection of candidates for Cardiac Resynchronization Therapy (CRT) by optimizing the classification of subjects with Left Bundle Branch Block (LBBB).
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。