Modèle de transformateur de réseau neuronal convolutif pour prédire et classifier l’arythmie précoce à l’aide d’un signal d’électrocardiogramme

Summary

Le modèle développé vise à classer les arythmies précoces en classes N, L, R, V et A. Ici, tous les ensembles de données sont combinés pour créer un ensemble de données principal, que le modèle utilise en entrée pour produire différentes classes d’arythmie en sortie.

Abstract

En tant que cause majeure de décès dans le monde, les maladies cardiovasculaires, en particulier les arythmies, nécessitent la création de technologies précises et automatisées pour le diagnostic et la détection précoces. Pour identifier les arythmies à partir des signaux de l’électrocardiogramme (ECG), cet article présente un modèle de classification basé sur l’apprentissage profond qui se concentre sur cinq principaux types de battements cardiaques : normal (N), bloc de branche gauche (L), bloc de branche droit (R), battement prématuré auriculaire (A) et contraction ventriculaire prématurée (V). Nous exploitons les signaux Lead I provenant de plusieurs sources, telles que les bases de données INCART 12-lead, Sudden Cardiac Death Holter, Supraventriculaire et MIT-BIH Arrhythmia, ce qui a permis de réaliser plus de 3,9 millions de formations et 112 575 segments de test.

Parmi les exemples de préparation de données, citons l’échantillonnage 180, la segmentation à fenêtre fixe, la normalisation Min-Max et l’équilibrage de classe avec la technique de suréchantillonnage minoritaire synthétique (SMOTE). L’architecture hybride utilise des couches Transformer pour modéliser les dépendances temporelles et des réseaux neuronaux convolutifs (CNN) 1D pour extraire des caractéristiques spatiales. L’optimiseur Adam avec suppression et normalisation par lots pour la régularisation entraîne le modèle.

Le système proposé surpasse le modèle TN4 et d’autres benchmarks de pointe, atteignant une précision, une précision et un score F1 de 99,99 % dans toutes les classes. La robustesse des fonctionnalités est encore améliorée par l’application d’architectures hybrides profondes et de réseaux neuronaux convolutifs, qui ont été motivés par des études antérieures. Le paradigme suggéré fait progresser les soins de santé numériques individualisés et basés sur l’intelligence artificielle et est très prometteur pour l’identification évolutive et en temps réel de l’arythmie.

Introduction

Les maladies cardiovasculaires (MCV) restent l’un des principaux problèmes de santé dans le monde, responsables de près de 31 % des décès dans le monde chaque année, selon l’Organisation mondiale de la santé (OMS)¹. Un sous-ensemble important de ces cas implique des arythmies, c’est-à-dire des irrégularités du rythme cardiaque qui peuvent aller de bénignes à potentiellement mortelles. Les arythmies sont souvent marquées par des temps irréguliers. Ces perturbations contribuent de manière substantielle à la morbidité et à la mortalité des patients, augmentant le risque de problèmes de santé graves tels que les ac....

Protocol

1. Acquisition de jeux de données

1. Acquérir des ensembles de données d’électrocardiogramme (ECG) accessibles au public pour développer et valider le modèle d’apprentissage profond pour la classification de l’arythmie⁷.
2. Combinez les ensembles de données Lead-I de la base de données sur l’arythmie du MIT-BIH, de la base de données sur l’arythmie supraventriculaire du MIT-BIH, de la base de données INCART 12-lead de Saint-Pétersbourg et de la base de données Holter sur la mort cardiaque subite.
   REMARQUE : Les ensembles de données sont choisis en fonction de leur diversité en termes de données démographiques....

Results

Indicateurs de performance du modèle proposé
L’exactitude, la sensibilité, la spécificité et le score F1 du modèle proposé sont calculés pour chaque classe d’arythmie. Les performances du modèle sont évaluées sur le MIT-BIH et d’autres bases de données ECG pertinentes. Les principaux résultats sont résumés ci-dessous :

Précision : Le modèle hybride CNN-Transformer a atteint une précision de 99,32 % sur l’ensemble de données MITDB et de 97,15 % sur les bases de données combi.......

Discussion

Les résultats de cette étude indiquent que le modèle hybride CNN-Transformer classe efficacement les arythmies ECG avec une précision, une sensibilité, une spécificité et un score F1 élevés, surpassant nettement les modèles conventionnels CNN uniquement et CNN-LSTM. L’incorporation de couches Transformer a amélioré la capacité du modèle à capturer les dépendances temporelles, un élément crucial de l’analyse ECG. De plus, les transformations en ondelettes continues (CWT) fournissent des c.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Système			(Pour l’entraînement) Processeur : AMD Ryzen 7 7840HS, CPU RAM : 16 GO, GPU RAM : 6GBNVIDIA GeForce RTX 3050
package python déséquilibré
pytorch			PyTorch est un package Python qui offre deux fonctionnalités de haut niveau : - Calcul tensoriel (comme NumPy) avec forte accélération GPU - Réseaux neuronaux profonds construits sur un seaborn
Seaborn			est une bibliothèque de visualisation Python basée sur matplotlib.  ;
WFDB			utilisé pour la lecture, l’écriture, le traitement et le traçage de signaux physiologiques et de données d’annotation