摘要：目的开发一个基于深度学习的心脏年龄预测模型,并探讨其在各类心电图数据集上的应用效果,特别是在评估心房颤动(房颤)患者病情严重程度方面的潜力。方法首先利用PTB-XL公开数据库的12导联心电图和相应年龄数据,设计了一种结合多尺度Transformer网络和Inception架构的双流网络模型,提升心脏年龄预测的性能。接着,使用SPH数据集评估该模型的稳定性,根据心律失常发生率将该数据集分为全健康组、半健康组和异常组,并对模型对于不同组别的心脏年龄预测性能进行了比较分析。最后,探索了该模型在真实世界采集的不同轻、重症房颤患者数据集上的应用。模型性能通过(MAE)、均方根误差(RMSE)、决定系数(R^(2))、解释方差分数(EV)和相关系数(COR)来评估模型预测与实际标签的平均偏差及相关性。结果在PTB-XL数据集中,模型的MAE和RMSE分别为7.48和9.43,R2为0.626,COR为0.748,EV为0.633。在SPH数据集中,健康组的MAE和RMSE显著低于异常组,且异常组的R^(2)和EV显著低于健康组,验证了模型在健康样本上的高准确性,同时表明受试者心律失常的发生率越高,预测结果与实际年龄的差异越大。对于不同严重程度的房颤患者,轻症组和重症组的MAE分别为11.61和12.55,显示了心脏年龄预测准确性与患者病情严重程度有显著相关性(P<0.001),表明预测的心脏年龄与真实年龄差值可作为衡量房颤严重程度的可靠指标。结论基于心电图和神经网络预测的心脏年龄可以作为评估不同心律失常心脏健康程度的指标。本心脏年龄预测模型仅需使用患者的心电图数据,可为临床提供一种更为便捷的房颤病情严重程度判别工具。

摘要：为了能更好地服务心电信号人工智能分类算法研究,并解决受试者数据信息管理问题,设计并实现了一款面向AI-ECG算法研究的软件平台。该软件平台使用Matlab R2019b作为开发工具,MySQL Sever 8.0作为后台数据库管理平台,主要包含了数据管理、数据读入和数据处理与分析三个模块,实现了对受试者临床基础信息的查询和设置以及对多种格式心电信号的读取、显示、处理、分析和存储等功能。该软件平台操作简单,满足基本的科研需要,对AI-ECG算法研究具有重要的意义。