AI-Enhanced ECG diagnosis system for acute myocardial infarction with LBBB: Constant-Q transform and ResNet-50 integration

Abstract

У цьому дослідженні представлено розширену діагностичну структуру електрокардіограми (ЕКГ), яка поєднує методи обробки сигналів із моделями глибокого навчання, щоб значно підвищити точність ідентифікації гострого інфаркту міокарда (ІМ) та ІМ, пов’язаного з блокадою лівої ніжки пучка Гіса (БЛНПГ). Завдяки поєднанню перетворення Constant-Q (CQT) із попередньо навченою моделлю ця система демонструє виняткову продуктивність, вражаючу точність у 98.99% і надзвичайно низькі втрати під час навчання 0.0029% після 100 епох навчання. Сувора 10-кратна перехресна перевірка підтверджує та підсилює ці висновки. Цей новий підхід спрощує складність діагностики шляхом консолідації даних ЕКГ у 12 відведеннях і використання CQT для точного аналізу в частотно-часовій області. Примітно, що ця методологія не тільки підвищує точність виявлення ІМ, але й представляє потенціал для покращення результатів медичної допомоги. Вона дає надію на мінімізацію помилкових діагнозів, тим самим сприяючи прогресу в догляді за пацієнтами з критичними серцевими захворюваннями. Ця зміна парадигми знаменує значний крок у діагностичних системах на основі ЕКГ, що має далекосяжні наслідки для покращення медичної практики та благополуччя пацієнтів.This study introduces an advanced Electrocardiogram (ECG) diagnostic framework that melds signal processing techniques with deep learning models to significantly boost accuracy in identifying acute myocardial infarction (MI) and MI related to left bundle branch block (LBBB). By merging the Constant-Q Transform (CQT) with a pre-trained model, this system showcases exceptional performance, an impressive 98.99% accuracy and a remarkably low 0.0029% training loss after 100 trained epochs. Rigorous 10-fold cross-validation substantiates and fortifies these findings. This novel approach streamlines the complexities of diagnostics by consolidating 12-lead ECG data and harnessing CQT for precise time-frequency domain analysis. Notably, this methodology not only enhances MI detection accuracy but also presents potential for enhancing healthcare outcomes. It holds promise in minimizing misdiagnoses, thereby propelling advancements in patient care for critical cardiac conditions. This paradigm shift marks a significant stride in ECG-based diagnostic systems, offering far-reaching implications for improved medical practices and patient well-being.