В мире, где сердечно-сосудистые заболевания остаются одной из главных причин смерти, автоматизация диагностики становится критически важной. Исследователи разработали новую гибридную модель глубокого обучения, которая сочетает сверточные нейронные сети (CNN) и двунаправленные рекуррентные сети (BiGRU) с многоголовым вниманием для анализа ЭКГ. Эта модель, названная CBGM, продемонстрировала впечатляющие результаты: точность 99.41%, точность 99.15% и специфичность 99.68% на MIT-BIH базе данных.
Модель состоит из семи сверточных слоев и двух слоев BiGRU, что позволяет ей эффективно захватывать пространственно-временные характеристики сигналов ЭКГ. Механизм многоголового внимания помогает выделять наиболее важные сегменты сигналов, что значительно улучшает качество классификации. Валидация на PTB диагностической базе также показала высокую точность — 98.82%.
Эта разработка может стать важным инструментом для врачей, позволяя проводить диагностику аритмий в реальном времени и снижая нагрузку на медицинский персонал. Внедрение таких технологий в клиническую практику может значительно повысить качество медицинской помощи и снизить риск ошибок в диагностике.