基于RR间期构建常见心律失常Informer分类模型

摘要

目的 基于RR间期数据，构建心房颤动（房颤）与期前收缩（早搏）的Informer分类模型，并进行评价。方法 收集并筛选窦性心律、持续性房颤、频发房性早搏、频发室性早搏的动态心电图共150例为研究对象，提取RR间期序列，并截取为50拍的片段，随机选取得到训练集（n=8 941）、验证集（n=2 235）、测试集（n=3 013），构建Informer、VGG16分类模型，并进行分类性能评价。结果 与SR组比较，AF组平均心率升高（P<0.01）；与AF组比较，PAC组和PVC组平均心率降低（均P<0.01）; Informer模型分类总正确率为91.04%，，对AF的敏感性、阴性预测值最高，分别为99.77%、99.90%，对SR的特异性、阳性预测值最高，分别为99.47%、98.74%，对SR的整体诊断效能最优，准确率为96.81%。Informer与VGG16对SR、PVC的分类性能与没有差异，对AF(P<0.05)、PVC(P<0.01)的分类性能不及VGG16。Informer模型与心电专家的诊断结果之间具有高度一致性（Kappa=0.878 4）。结论 基于RR间期时序性数据构建的Informer模型能够实现房颤、早搏等常见心律失常的分类。

关键词

机器学习 / 心律失常 / RR间期 / Informer模型 / VGG16模型