نهج هجين فعال حسابيا للتنبؤ باضطرابات النظم المعتمد على تخطيط القلب الكهربائي

ملخص

تم بناء النموذج في هذه الدراسة لتصنيف اضطرابات النظم المبكرة في مجموعات بيانات تخطيط القلب الكهربائي (ECG) من عدة قواعد بيانات إلى خمسة أنواع رئيسية من نبضات القلب. مقارنة بالنماذج الأخرى، يؤدي هذا النموذج أداء أفضل من حيث الدقة والحساسية والدقة والاستدعاء.

الملخص

أمراض القلب والأوعية الدموية، وخاصة اضطرابات النظم، هي سبب رئيسي للوفاة في العالم. وهذا يبرز الحاجة إلى أنظمة آلية يمكنها اكتشاف هذه الحالات وتشخيصها مبكرا. يقدم هذا البحث نموذج تعلم عميق يحدد اضطرابات نظم القلب باستخدام إشارات تخطيط القلب الكهربائي (ECG). يركز النموذج على خمسة أنواع رئيسية من نبضات القلب: الطبيعي (N)، كتلة فرع الحزمة الأيسر (L)، كتلة فرع الحزمة اليمنى (R)، نبض الأذين المبكر (A)، وانقباض البطين المبكر (V). يستخدم النظام إشارات Lead I من عدة قواعد بيانات، بما في ذلك اضطراب نظم MIT-BIH وفوق البطين، INCART 12-lead، وهولتر الموت القلبي المفاجئ. يوفر هذا أكثر من 3.9 مليون قسم تدريب و112,575 فقرة اختبار.

تتم معالجة البيانات مسبقا عن طريق تقسيمها إلى نوافذ ثابتة من 180 عينة، وتكبيرها باستخدام التطبيع الأدنى-الأقصى، وموازنة الفئات مع تقنية أخذ العينات الزائدة للأقليات الاصطناعية. يجمع النموذج بين الشبكات العصبية الالتفافية أحادية الأبعاد لاستخراج الميزات المكانية وطبقات المحولات لالتقاط أنماط زمنية محددة. يستخدم محسن آدم ويشمل التوزيع العشوائي وتطبيع دفعات لتعزيز الأداء. يحقق النظام دقة ودقة ودرجة F1 بنسبة 99.99٪ عبر جميع الفئات، وهو أفضل من طراز TN4 وغيره من الطرازات الأعلى أداء. يحسن استخدام الشبكات العصبية الالتفافية والبنى الهجينة العميقة من متانة الميزات. يظهر هذا النموذج إمكانات كبيرة للكشف القابل للتوسع والوقت الحقيقي لاضطراب نظم النظم ويساهم في تطوير الرعاية الصحية الرقمية المخصصة والمدعومة بالذكاء الاصطناعي.

المقدمة

أمراض القلب والأوعية الدموية هي السبب الأهم لمشاكل الصحة البشرية، حيث يتجاوز عدد الوفاة 17 مليون سنويا. ما يقرب من ثلاثة أرباع جميع حالات أمراض القلب والأوعية الدموية تعيش في دول منخفضة الدخل في العالم، كما ذكرت الاتحاد العالمي للقلب. يلتقط تخطيط القلب الكهربائي النشاط الكهربائي الناتج عن إزالة استقطاب القلب. تنتقل الإشارات الكهربائية إلى الجلد. تنقل إشارات تخطيط القلب على الأقل قطعتين من المعلومات الحيوية. أحدهما هو الطب الحيوي الصحي. والآخر هو الشهادات أو القياسات الحيوية المتعلقة بالشخص. نظرا لبساطته، تم النظر في طرق مختلفة لتصنيف إشارات تخطيط القلب الكهربائي، بما في ذلك طرق التعلم اليدوي وتعلم الآلة. الطريقة اليدوية تستغرق وقتا طو....

البروتوكول

البيان الأخلاقي
اعتمدت هذه الدراسة بالكامل على بيانات تخطيط القلب العامة المجهولة الهوية التي تم تحميلها من PhysioNet. تم جمع جميع مجموعات البيانات المستخدمة في هذه الدراسة في الأصل بموافقة المشاركين وبموافقة أخلاقية من مالكي البيانات المعنيين. لم يتطلب هذا البحث أي جمع بيانات، أو عمل تجريبي مع أشخاص أو حيوانات، أو معلومات هوية شخصية للمرضى. لذا، لم يطلب أي مراجعة أخلاقية إضافية.

المنهجية
يوضح الشكل 2 سير عمل البنية المقترحة.

جمع البيانات
يتم جمع بيانات تخطيط القلب من قاعدة بيانات PhysioNet....

النتائج

يقدم هذا القسم نموذج تعلم عميق هجين مصمم لتصنيف اضطرابات النظم من بيانات تخطيط القلب الكهربائي. يتم تقييم النموذج بناء على قدرته على التعرف على خمسة تصنيفات ذات دلالة سريرية لضربات القلب: الانقباض المبكر للأذين، الانسداد الطبيعي لفروع الحزمة اليسرى، كتلة فرع الحزمة الأيمن، وانقباض البطين المبكر. يعد التقييم الشامل ضروريا نظرا للأهمية السريرية لهذه الفئات من اضطرابات نظم القلب والتحديات التي تفرضها مجموعات البيانات غير المتوازنة وتباين الإشارات.

خلال الخطوة الأ.......

المناقشة

عند التعرف على اضطرابات النظم وتصنيفها من إشارات تخطيط القلب الحيوي، يجمع نموذج التعلم العميق المقترح بين هياكل المحولات والشبكات العصبية الالفافية أحادية الأبعاد (CNNs) ويظهر أداء ممتازا. يستفيد هذا المزيج من قدرة المحول على تعلم الاعتماديات الزمنية العالمية من خلال آليات التركيز الذاتي، وقدرة CNN على تحديد الميزات المكانية المحلية من موجات تخطيط القلب الخام. تم اختبار النموذج باستخدام خمس فئات مهمة من نبضات القلب: الطبيعي، كتلة فرع الحزمة الأيسر، كتلة فرع الحزمة الأيمن، انقباض الأذين ا.......

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
آدم أوبسينسر	المصدر المفتوح (PyTorch)	https://pytorch.org/docs/stable/optim.html	خوارزمية التحسين المستخدمة لتدريب نموذج التعلم العميق من خلال تكييف معدلات التعلم أثناء الانتشار العكسي.
الأجهزة (النظام الحاسوبي)	AMD؛ NVIDIA	https://www.amd.com/en/products/processors/laptop/ryzen/7000-series/amd-ryzen-7-7840hs ؛ https://www.nvidia.com	المعالج: AMD Ryzen 7 7840HS؛ ذاكرة المعالج: 16 جيجابايت؛ بطاقة الرسوميات: NVIDIA GeForce RTX 3050 (ذاكرة فيديو 6 جيجابايت). يستخدم في تدريب وتقييم النماذج.
تعلم غير متوازن	تعلم غير متوازن	https://imbalanced-learn.org	مكتبة بايثون تستخدم لموازنة الفئات مع تقنية أخذ العينات الزائدة للأقليات الاصطناعية (SMOTE).
ماتبلوتليب	ماتبلوتليب	https://matplotlib.org	مكتبة بايثون تستخدم لرسم إشارات تخطيط القلب، ومصفوفات الالتباس، ورسوم الأداء.
قواعد بيانات تخطيط القلب من PhysioNet	فيزيو نت	https://physionet.org	مجموعات بيانات تخطيط القلب العامة المستخدمة في الدراسة، بما في ذلك اضطراب نظم MIT-BIH، اضطراب نظم فوق البطينية في MIT-BIH، قاعدة بيانات INCART 12-lead، وقواعد بيانات هولتر لموت القلب المفاجئ.
بايتورش	بايتورش	https://pytorch.org	إطار عمل التعلم العميق لبايثون يستخدم لتنفيذ نماذج CNN وTransformer، وخط التدريب، والاستدلال.
بايثون	مؤسسة بايثون للبرمجيات	https://www.python.org	لغة برمجة تستخدم في معالجة البيانات المسبقة، تطوير النماذج، التدريب، والتقييم.
سيبورن	سيبورن	https://seaborn.pydata.org	مكتبة تصور البيانات باستخدام بايثون تستخدم للمخططات الإحصائية وتصور النتائج.
WFDB	WFDB	https://wfdb.readthedocs.io	حزمة بايثون تستخدم للقراءة والكتابة والمعالجة ورسم الإشارات الفسيولوجية والتعليقات من قواعد بيانات PhysioNet.