The diagnosis of myocardial infarction (MI) in the presence of other cardiac diseases having similar electrocardiogram (ECG) characteristics that of MI is a challenging problem. Existing automated methods have used the standard 12-lead ECG to detect MI from healthy controls (HC). However, these methods may not provide reliable MI diagnosis in the presence of mimicking MI diseases. Therefore, in this letter, we incorporate the patients’ clinical features, including age, gender, smoking, hypertension and blood lipid levels, to the 12-lead ECG features for improved classification performance. Specifically, the 12-lead ECG is summarized using weights shared recurrent neural network with intra- and inter-lead attention modules. These modules mimic the clinicians way of diagnosis by focusing on the clinically relevant information to obtain an attentive representative vector. Then, the patients’ clinical features are fused with the attentive vector to obtain a discriminate high-level representation vector for a reliable diagnosis. The experimental results on the PTB database indicate that the proposed method achieves an improved overall accuracy of 98.3$\%$. The improved diagnostic accuracy obtained by the fusion of clinical features to the 12-lead ECG makes the proposed method suitable for the pre-screening of MI patients in crowded hospitals.

中文翻译：

---

基于细心 RNN 的网络融合 12 导联心电图和临床特征以改善心肌梗死诊断

在存在具有与 MI 相似的心电图 (ECG) 特征的其他心脏疾病的情况下诊断心肌梗塞 (MI) 是一个具有挑战性的问题。现有的自动化方法使用标准的 12 导联心电图来检测健康对照 (HC) 的 MI。然而，这些方法在模拟 MI 疾病的情况下可能无法提供可靠的 MI 诊断。因此，在这封信中，我们将患者的临床特征（包括年龄、性别、吸烟、高血压和血脂水平）纳入 12 导联心电图特征，以提高分类性能。具体来说，12 导联心电图使用权重共享循环神经网络与导联内和导联间注意模块进行总结。这些模块通过关注临床相关信息来模拟临床医生的诊断方式，以获得细心的代表性向量。然后，将患者的临床特征与注意力向量融合，以获得用于可靠诊断的有辨别力的高级表示向量。在 PTB 数据库上的实验结果表明，所提出的方法提高了 98.3$\%$ 的整体准确率。通过将临床特征与 12 导联心电图融合而获得的诊断准确性的提高使所提出的方法适用于拥挤医院中的 MI 患者的预筛查。在 PTB 数据库上的实验结果表明，所提出的方法提高了 98.3$\%$ 的整体准确率。通过将临床特征与 12 导联心电图融合而获得的诊断准确性的提高使所提出的方法适用于拥挤医院中的 MI 患者的预筛查。在 PTB 数据库上的实验结果表明，所提出的方法提高了 98.3$\%$ 的整体准确率。通过将临床特征与 12 导联心电图融合而获得的诊断准确性的提高使所提出的方法适用于拥挤医院中 MI 患者的预筛查。