Convolutional Neural Network-Transformer-Modell zur Vorhersage und Klassifizierung früher Arrhythmien anhand von Elektrokardiogramm-Signalen

Summary

Das entwickelte Modell zielt darauf ab, frühe Arrhythmien in die Klassen N, L, R, V und A zu klassifizieren. Hier werden alle Datensätze kombiniert, um einen Hauptdatensatz zu erstellen, den das Modell als Eingabe verwendet, um verschiedene Arrhythmieklassen als Ausgabe zu erzeugen.

Abstract

Herz-Kreislauf-Erkrankungen - insbesondere Herzrhythmusstörungen - sind eine der Haupttodesursachen weltweit und erfordern die Entwicklung präziser und automatisierter Technologien zur Früherkennung und Früherkennung. Um Arrhythmien anhand von Elektrokardiogramm (EKG)-Signalen zu identifizieren, wird in diesem Artikel ein Deep-Learning-basiertes Klassifikationsmodell vorgestellt, das sich auf fünf Hauptherzschlagtypen konzentriert: Normal (N), Linksschenkelblock (L), Rechter Bündelastblock (R), Vorhofvorzeitiger Schlag (A) und Vorzeitige ventrikuläre Kontraktion (V). Wir nutzen Lead I-Signale aus verschiedenen Quellen, wie z. B. den INCART 12-Kanal-, Sudden Cardiac Death Holter-, Supraventricular- und MIT-BIH-Arrhythmie-Datenbanken, was zu mehr als 3,9 Millionen Trainings- und 112.575 Testsegmenten führt.

Beispiele für die Datenaufbereitung sind 180-Stichproben, Segmentierung mit festen Fenstern, Min-Max-Normalisierung und Klassenausgleich mit der Synthetic Minority Over-sampling Technique (SMOTE). Die Hybridarchitektur verwendet Transformer-Schichten, um zeitliche Abhängigkeiten zu modellieren, und 1D Convolutional Neural Networks (CNNs), um räumliche Merkmale zu extrahieren. Der Adam-Optimierer mit Dropout und Batch-Normalisierung für die Regularisierung trainiert das Modell.

Das vorgeschlagene System übertrifft das TN4-Modell und andere hochmoderne Benchmarks und erreicht eine Genauigkeit, Präzision und F1-Punktzahl von 99,99 % in allen Klassen. Die Robustheit der Funktionen wird durch den Einsatz von Deep Hybrid Architectures und Convolutional Neural Networks weiter verbessert, die durch frühere Studien motiviert wurden. Das vorgeschlagene Paradigma treibt die auf künstlicher Intelligenz basierende, individualisierte digitale Gesundheitsversorgung voran und ist vielversprechend für eine skalierbare Echtzeit-Arrhythmieerkennung.

Introduction

Herz-Kreislauf-Erkrankungen (CVDs) sind nach wie vor eines der größten Gesundheitsprobleme weltweit und nach Angaben der Weltgesundheitsorganisation (WHO)¹ jedes Jahr für fast 31 % der Todesfälle weltweit verantwortlich. Eine signifikante Untergruppe dieser Fälle sind Herzrhythmusstörungen, d. h. Unregelmäßigkeiten im Herzrhythmus, die von gutartig bis lebensbedrohlich reichen können. Herzrhythmusstörungen sind oft durch unregelmäßige Zeiten gekennzeichnet. Diese Störungen tragen erheblich zur Morbidität und Mortalität der Patienten bei und erhöhen das Risiko schwerer Gesundheitsprobleme wie Schlaganfall, Herzi....

Protocol

1. Erfassen von Datensätzen

1. Erwerben Sie öffentlich zugängliche Elektrokardiogramm (EKG)-Datensätze, um das Deep-Learning-Modell für die Arrhythmie-Klassifizierung zu entwickeln und zu validieren⁷.
2. Kombinieren Sie Lead-I-Datensätze aus der MIT-BIH Arrhythmia Database, der MIT-BIH Supraventricular Arrhythmia Database, der St. Petersburg INCART 12-lead Arrhythmia Database und der Sudden Cardiac Death Holter Database.
   HINWEIS: Die Datensätze werden aufgrund ihrer Vielfalt an Patientendemografien und Arrhythmietypen ausgewählt, um sicherzustellen, dass das Modell über verschiedene Fälle hinweg verallgemeine....

Results

Leistungskennzahlen des vorgeschlagenen Modells
Die Genauigkeit, Sensitivität, Spezifität und der F1-Score des vorgeschlagenen Modells werden für jede Arrhythmieklasse berechnet. Die Leistung des Modells wird anhand des MIT-BIH und anderer relevanter EKG-Datenbanken bewertet. Die wichtigsten Ergebnisse werden wie folgt zusammengefasst:

Genauigkeit: Das hybride CNN-Transformer-Modell erreichte eine Genauigkeit von 99,32 % auf dem MITDB-Datensatz und 97,15 % auf kombinierten .......

Discussion

Die Ergebnisse dieser Studie deuten darauf hin, dass das hybride CNN-Transformer-Modell EKG-Arrhythmien mit erhöhter Genauigkeit, Sensitivität, Spezifität und F1-Score kompetent klassifiziert und damit herkömmliche CNN-only- und CNN-LSTM-Modelle deutlich übertrifft. Durch die Integration von Transformer-Schichten wurde die Fähigkeit des Modells verbessert, zeitliche Abhängigkeiten zu erfassen, ein entscheidendes Element der EKG-Analyse. Darüber hinaus bieten kontinuierliche Wavelet-Trans.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Computersystem			(für das Training) Prozessor: AMD Ryzen 7 7840HS, CPU-RAM: 16 GB, GPU-RAM: 6 GBNVIDIA GeForce RTX 3050
Balanced-Learn-Python-Paket			das zum Resampling
von Pytorch verwendet wird PyTorch			ist ein Python-Paket, das zwei High-Level-Funktionen bietet: - Tensor-Berechnung (wie NumPy) mit starker GPU-Beschleunigung - Tiefe neuronale Netze, die auf einem bandbasiertes Autograd-System
Seaborn			Seaborn ist eine Python-Visualisierungsbibliothek, die auf matplotlib basiert.
wfdb			zum Lesen, Schreiben, Verarbeiten und Darstellen physiologischer Signal- und Annotationsdaten