基于多模态特征耦合的阵发性心房颤动预测方法  

Prediction method of paroxysmal atrial fibrillation based on multimodal feature fusion

作　　者：李永建 刘磊 陈蒙 李逸学 王雨辰 魏守水[1] LI Yongjian;LIU Lei;CHEN Meng;LI Yixue;WANG Yuchen;WEI Shoushui(School of Control Science and Engineering,Shandong University,Jinan 250061,P.R.China)

机构地区：[1]山东大学控制科学与工程学院,济南250061

出　　处：《生物医学工程学杂志》2025年第1期42-48,共7页Journal of Biomedical Engineering

基　　金：国家自然科学基金(82072014)。

摘　　要：阵发性心房颤动(PAF)的风险预测是生物医学工程领域的难题。本研究综合了机器学习特征工程和深度学习端到端建模的优势,提出了基于多模态特征融合的PAF风险预测方法。同时,本研究使用了四种不同的特征排序方法和Pearson相关性分析来确定最优的多模态特征集合,并使用随机森林进行PAF的风险判断。本研究的方法在公开数据中达到了(92.3±2.1)%的准确率和(91.6±2.9)%的F1分数。在临床数据中达到了(91.4±2.0)%的准确率和(90.8±2.4)%的F1分数。提出的方法实现了多中心数据集的泛化并具有良好的临床应用前景。The risk prediction of paroxysmal atrial fibrillation(PAF)is a challenge in the field of biomedical engineering.This study integrated the advantages of machine learning feature engineering and end-to-end modeling of deep learning to propose a PAF risk prediction method based on multimodal feature fusion.Additionally,the study utilized four different feature selection methods and Pearson correlation analysis to determine the optimal multimodal feature set,and employed random forest for PAF risk assessment.The proposed method achieved accuracy of(92.3±2.1)%and F1 score of(91.6±2.9)%in a public dataset.In a clinical dataset,it achieved accuracy of(91.4±2.0)%and F1 score of(90.8±2.4)%.The method demonstrates generalization across multi-center datasets and holds promising clinical application prospects.

关 键 词：房颤预测 多模态融合 特征选择 多中心数据 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程] R541.75[自动化与计算机技术—控制科学与工程]