Not logged in.

Quick Search - Contribution

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title Prediction of Paroxysmal Atrial Fibrillation Enabled by Machine Learning
Organization Unit
Authors
  • Weijie Niu
Supervisors
  • Mohamed Elgendi
  • Carlo Menon
  • Renato Pajarola
Language
  • German
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2022
Abstract Text Atrial fibrillation (AF) is the most common type of arrhythmia occurring as an irregular excitation from the ventricles that affects the function of the heart and increases the risk of stroke and heart attack, leading to an extremely high mortality rate worldwide. Nearly half of all patients with AF are those with paroxysmal atrial fibrillation (PAF), and the chances of cure with medical intervention at this stage are very high compared to later stages. Therefore, the early detection and prediction of PAF are clinically important. However, due to the asymptomatic and interim episodic nature of PAF, its early detection and onset prediction have been challenging topics. Recent advances in the field of artificial intelligence, particularly machine learning techniques based on electrocardiogram(ECG) data, including deep learning, have enabled the development of PAF prediction. The goal of this work is to review the published studies related to PAF prediction, and predict the onset of PAF in advance with the shortened ECG signals and a high degree of accuracy. We systematically review the publications over the past 10 years, focusing on the prediction of PAF enabled by ECG-based machine learning models. Totally 15 studies of both traditional machine learning and deep learning models proposed over the past decade are covered and reviewed in this work. We propose a novel neural network framework PAFNet based on a convolution neural networks (CNN) with residual structure, a bi-directional Long-short-term memory network (LSTM) and the attention mechanism to predict the onset of PAF in advance. The PAFNet model is evaluated on public datasets and compared with previous studies with good performance. We describe the ideas behind the model design and analyze and discuss the results of the experiments. Finally we also discuss the potential future progress and challenges in the field.
Zusammenfassung Vorhofflimmern (AF) ist die häufigste Form von Herzrhythmusstörungen, die als unregelmäßige Erregung der Herzkammern auftreten, die Funktion des Herzens beeinträchtigen und das Risiko von Schlaganfällen und Herzinfarkten erhöhen, was weltweit zu einer extrem hohen Sterblichkeitsrate führt. Nahezu die Hälfte aller Patienten mit Vorhofflimmern sind solche mit paroxysmalem Vorhofflimmern (PAF), und die Heilungschancen bei medizinischer Intervention sind in diesem Stadium im Vergleich zu späteren Stadien sehr hoch. Daher sind die Früherkennung und Vorhersage von PAF klinisch wichtig. Da PAF jedoch asymptomatisch ist und vorübergehend in Schüben auftritt, sind die Früherkennung und die Vorhersage des Auftretens von PAF eine Herausforderung. Jüngste Fortschritte auf dem Gebiet der künstlichen Intelligenz, insbesondere maschinelle Lernverfahren auf der Grundlage von Elektrokardiogramm(EKG)-Daten, einschließlich Deep Learning, haben die Entwicklung von PAF-Vorhersagen ermöglicht. Ziel dieser Arbeit ist es, die veröffentlichten Studien zur PAF-Vorhersage zu überprüfen und das Auftreten von PAF mit verkürzten EKG-Signalen und einem hohen Genauigkeitsgrad im Voraus vorherzusagen. Wir überprüfen systematisch die Veröffentlichungen der letzten 10 Jahre und konzentrieren uns dabei auf die Vorhersage von PAF, die durch EKG-basierte maschinelle Lernmodelle ermöglicht wird. In dieser Arbeit werden insgesamt 15 Studien zu traditionellen maschinellen Lernverfahren und Deep-Learning-Modellen aus den letzten zehn Jahren behandelt und überprüft. Wir schlagen ein neuartiges neuronales Netzwerk PAFNet vor, das auf einem neuronalen Faltungsnetzwerk (CNN) mit Residualstruktur, einem bidirektionalen Langzeit-Kurzzeitgedächtnis-Netzwerk (LSTM) und dem Aufmerksamkeitsmechanismus basiert, um das Auftreten von PAF im Voraus vorherzusagen. Das PAFNet-Modell wird anhand öffentlicher Datensätze evaluiert und mit früheren Studien verglichen, die eine gute Leistung ergaben. Wir beschreiben die Ideen hinter dem Modelldesign und analysieren und diskutieren die Ergebnisse der Experimente. Schließlich erörtern wir auch mögliche zukünftige Fortschritte und Herausforderungen auf diesem Gebiet.
Export BibTeX