מודל שנאי רשת עצבית קונבולוציוני לחיזוי וסיווג הפרעות קצב מוקדמות באמצעות אות אלקטרוקרדיוגרמה

Summary

המודל שפותח נועד לסווג הפרעות קצב מוקדמות למחלקות N, L,R, V ו-A. כאן, כל מערכי הנתונים משולבים ליצירת מערך נתונים ראשי, שבו המודל משתמש כקלט כדי לייצר מחלקות הפרעות קצב שונות כפלט.

Abstract

כגורם מוות עיקרי ברחבי העולם, מחלות לב וכלי דם - במיוחד הפרעות קצב - דורשות יצירת טכנולוגיות מדויקות ואוטומטיות לאבחון וגילוי מוקדם. כדי לזהות הפרעות קצב מאותות אלקטרוקרדיוגרמה (ECG), מאמר זה מציג מודל סיווג מבוסס למידה עמוקה המתמקד בחמישה סוגי פעימות לב עיקריים: נורמלי (N), בלוק ענף צרור שמאלי (L), בלוק ענף צרור ימני (R), פעימה מוקדמת של פרוזדורים (A) והתכווצות חדרית מוקדמת (V). אנו ממנפים אותות Lead I ממספר מקורות, כגון מסדי הנתונים INCART 12-lead, Sudden Cardiac Death Holter, Supraventriicular ו-MIT-BIH Arrhythmia, ומניבים יותר מ-3.9 מיליון אימונים ו-112,575 מקטעי בדיקות.

דוגמאות להכנת נתונים כוללות 180 דגימות, פילוח חלון קבוע, נורמליזציה של Min-Max ואיזון מחלקות עם טכניקת דגימת יתר של מיעוט סינתטי (SMOTE). הארכיטקטורה ההיברידית משתמשת בשכבות שנאי כדי לדגמן תלות זמנית ורשתות עצביות קונבולוציוניות 1D (CNNs) כדי לחלץ תכונות מרחביות. האופטימיזציה של אדם עם נשירה ונורמליזציה של אצווה להסדרה מאמנת את המודל.

המערכת המוצעת עולה על דגם TN4 ומדדים מתקדמים אחרים, ומשיגה דיוק, דיוק וציון F1 של 99.99% בכל המחלקות. חוסן התכונות משתפר עוד יותר על ידי יישום ארכיטקטורות היברידיות עמוקות ורשתות עצביות קונבולוציוניות, שהונעו על ידי מחקרים קודמים. הפרדיגמה המוצעת מקדמת שירותי בריאות דיגיטליים מונעי בינה מלאכותית ויש לה הבטחה גדולה לזיהוי הפרעות קצב בזמן אמת.

Introduction

מחלות לב וכלי דם (CVDs) נותרו אחת הדאגות הבריאותיות המובילות בעולם, ואחראיות לכמעט 31% ממקרי המוות ברחבי העולם מדי שנה, על פי ארגון הבריאות העולמי (WHO)¹. תת-קבוצה משמעותית של מקרים אלה כוללת הפרעות קצב - אי סדירות בקצב הלב שיכולות לנוע בין שפיר לסכנת חיים. הפרעות קצב מאופיינות לעתים קרובות בזמנים לא סדירים. שיבושים אלה תורמים באופן משמעותי לתחלואה ותמותה של חולים, ומגבירים את הסיכון לבעיות בריאותיות חמורות כגון שבץ מוחי, אי ספיקת לב ודום לב פתאומי. זיהוי מוקדם וסיווג מדויק של הפרעות קצב הם אפוא חיוניים לשיפור תוצאות המטופלים, ניהול עלויות הבריאות וקידום איכות הטיפול הלבבי².

אלקטרוקרדיוגרפיה (ECG) נותרה כלי אבחון לא פולשני מרכזי לאיתור הפרעות קצב. על ידי לכידת הפעילות החשמלית של הלב כצורות גל חזותיות, א.ק.ג מאפשר לרופאים לזהות וריאציות עדינות שעשויות להצביע על דפוסי הפרעות קצב ספציפיות³. עם זאת, פירוש ידני של אותות א.ק.ג גוזל זמן ונוטה לשונות עקב הבדלים אישיים בין המתרגלים, מה שמציג מרווח של טעויות אנוש. אתגרים אלה מוגדלים בעת טיפול במערכי נתונים נרחבים או זיהוי הפרעות קצב ניואנסים. עם המעבר העולמי לשירותי בריאות דיגיטליים, הצורך במערכות אבחון אמינות ואוטומטיות המסוגלות לספק ניתוח אק"ג עקבי בזמן אמת הוא חיוני יותר^{ויותר 4}.

מודלים מסורתיים של למידת מכונה יושמו על ניתוח א.ק.ג בהצלחה בינונית; עם זאת, ההסתמכות שלהם על תכונות בעבודת יד ומומחיות ספציפית לתחום מציבה מגבלות בולטות. כדי להתמודד עם מגבלה זו, המודל משתמש בטכניקת דגימת יתר של מיעוט סינתטי (SMOTE), המייצרת נקודות נתונים סינתטיות עבור מחלקות לא מיוצגות, ובכך מאזנת את מערך הנתונים ומשפרת את יכולת המודל להכליל על פני כל סוגי פעימות הלב. השילוב של SMOTE עם מודל הלמידה העמוקה שלנו משפר את ביצועי הסיווג, במיוחד עבור הפרעות קצב נדירות, ותומך בכלי אבחון הוגן יותר⁵. המטרות העיקריות של מחקר זה הן משולשות. ראשית, המטרה היא לפתח מודל מדויק וניתן להרחבה המסוגל לזהות הפרעות קצב בזמן אמת, ולתרום למעבר העולמי לטיפול רפואי דיגיטלי ומותאם אישית. שנית, להדגים את היעילות של ארכיטקטורת CNN-Transformer היברידית בניתוח א.ק.ג, תוך הדגשת הפוטנציאל שלה לעלות על שיטות מסורתיות הן ברמת הדיוק והן בחוסן⁶.

לבסוף, המטרה היא לפתח מודל עם יישומים משמעותיים באבחון קליני, ולשפר את הזיהוי המוקדם של הפרעות לבביות. מחקר זה מבקש לגשר על הפער בין התקדמות הלמידה העמוקה לבין יישומים רפואיים מעשיים, ולמצב את הגישה שלנו ככלי רב ערך בקידום טיפול לב משופר ותוצאות המטופלים⁶.

Protocol

1. רכישת מערכי נתונים

1. רכוש מערכי נתונים של אלקטרוקרדיוגרמה (ECG) זמינים לציבור כדי לפתח ולאמת את מודל הלמידה העמוקה לסיווג הפרעות קצב⁷.
2. שלב מערכי נתונים של Lead-I ממסד הנתונים של הפרעות קצב MIT-BIH, מסד הנתונים של הפרעות קצב על-חדריות של MIT-BIH, מסד הנתונים של הפרעות קצב INCART 12 מובילות בסנט פטרסבורג ומסד הנתונים של הולטר מוות לבבי פתאומי.
   הערה: מערכי נתונים נבחרים על פי הגיוון שלהם בדמוגרפיה של המטופלים ובסוגי הפרעות קצב, מה שמבטיח שהמודל יכול להכליל על פני מקרים מגוונים. כל מערך נתונים מספק הקלטות א.ק.ג מוערות באיכות גבוהה, המכסות מגוון שיעורי פעימות לב. רק נתוני Lead I חולצו ושימשו בכל מערכי הנתונים כדי לתקנן את הקלט, לשמור על עקביות ולהתמקד באות הרלוונטי ביותר מבחינה אבחנתית. כפי שמוצג באיור 1, עופרת I מודדת את הפרש הפוטנציאל בין זרוע ימין (אלקטרודה שלילית) לזרוע שמאל (אלקטרודה חיובית), ועופרת II מודדת את הפרש הפוטנציאל בין זרוע ימין (אלקטרודה שלילית) לרגל שמאל (אלקטרודה חיובית). טבלה 1 ממחישה כי מערך הנתונים העיקרי נוצר על ידי שילוב של ארבעה מערכי נתונים וביטול ערכי Null, והקובץ נקרא Alldata.CSV.

2. עיבוד מקדים של נתונים

1. חלקו את הנתונים מ-Alldata.CSV לשני חלקים - רכבת ובדיקה. בעיבוד מקדים 2, מסננים את מחלקות N, L, R, A, V מ-Alldata.CSV ולאחר מכן מחלקים אותו לשני חלקים - חלקי אימון ובדיקה (איור 2).
2. חלקו את אות האק"ג של כל מטופל לחלונות קבועים של 180 אלפיות השנייה, כל אחד מהם מבואר בהתאם למחלקות הפרעות הקצב המתאימות כגון מחלקות N, L, R, A ו-V (איור 3).
   הערה: פילוח זה איפשר אורך קלט עקבי על פני הדגימות ותפס את המאפיינים הזמניים בכל קטע פעימת לב.
3. קרא קבצי א.ק.ג גולמיים בפורמט (.dat, .hea ו-.atr) באמצעות הספרייה של Python.

3. נורמליזציה

1. כדי להבטיח אחידות במשרעת האות, נרמל את כל נתוני האק"ג המפולחים באמצעות קנה מידה Min-Max, והפוך כל דגימה לטווח שבין 0 ל-1.
   הערה: טכניקת הנורמליזציה המשמשת כאן היא MinmaxScaler⁸.

4. איזון כיתה עם SMOTE

הערה: אתגר נפוץ בסיווג הפרעות קצב הוא חוסר האיזון המעמדי המשמעותי, שבו פעימות לב תקינות עולות בהרבה על פעימות לב חריגות.

1. כדי להתמודד עם האתגר הנ"ל, החל את טכניקת דגימת היתר של מיעוט סינתטי (SMOTE) על ערכת ההדרכה, המייצרת דגימות סינתטיות עבור מחלקות מיעוט על ידי אינטרפולציה בין מופעים קיימים⁹.
   הערה: יכולתו של המודל להכליל על פני כל סוגי הפרעות הקצב משופרת על ידי דגימות סינתטיות חדשות, המבטיחות שכל מחלקה מיוצגת בצורה הוגנת.

5. פיצול מבחן רכבת

1. לאחר עיבוד מקדים, פצל את הנתונים לערכות הדרכה ובדיקה באמצעות פיצול של 70-30, עם ריבוד כדי לשמור על התפלגות הכיתה בין קבוצות.
   הערה: פיצול זה הבטיח שכל מחלקת הפרעות קצב מיוצגת כראוי הן בשלבי ההכשרה והן בשלבי הבדיקה, מה שמאפשר הערכה אמינה של ביצועי המודל.

6. פיצול מערכי נתונים והתפלגות מחלקות

1. פצל את מערך הנתונים הסופי לערכות הדרכה ובדיקה, כאשר 70% מהנתונים משמשים לאימון ו-30% לבדיקה.
2. החל SMOTE כדי לאזן את התפלגות המחלקה, ולהבטיח שכל סוג הפרעת קצב מיוצג כראוי הן בערכות האימון והן בערכות הבדיקה, כפי שמוצג בטבלה 2.
   הערה: בסך הכל, 3,966,620 מקטעי א.ק.ג משמשים לאימון, ו-112,575 מקטעי א.ק.ג משמשים לבדיקת המודל. נפח נתונים גדול זה, יחד עם המגוון של סוגי הפרעות הקצב, תרם לחוסן המודל בזיהוי סוגים שונים של הפרעות קצב באותות א.ק.ג בעולם האמיתי.

7. מתודולוגיה

1. ארכיטקטורת מודל
   1. כדי להשיג סיווג מדויק של הפרעות קצב, יישם מודל למידה עמוקה היברידי המורכב מרשתות עצביות קונבולוציוניות חד-ממדיות (CNNs) ושכבות שנאי.
      הערה: ארכיטקטורת מודל היברידי תוכננה במיוחד כדי למנף את החוזקות של תכונות מרחביות וזמניות מאותות א.ק.ג. הוא משלב יכולות חילוץ תכונות ומידול רצף.
2. בלוקים של רשת עצבית קונבולוציונית 1D (CNN).
   1. הגדר את בלוק ה-CNN כך שיורכב משתי שכבות קונבולוציה חד-ממדיות, כל אחת ואחריה פונקציית הפעלה של ReLU ושכבת איגום מקסימלית. שכבות אלו מחלצות תלות מרחבית מאותות ה-ECG הקלט. כדי לשפר את חילוץ התכונות, הוסף פונקציות הפעלה נוספות של ReLU לאחר כל שלב טרנספורמציה בשכבות CNN¹⁰.
      הערה: תצורה זו מאפשרת למודל ללמוד תלות מרחבית בתוך כל מקטע ביעילות.
   2. שכבה קונבולוציונית ראשונה: השתמש בשכבה זו כדי להחיל 32 מסננים בגודל 3 על אות הכניסה. הפעולה מתבטאת כך:
      (1)
      כאשר y_i מייצג את הפלט, w_j הם המשקולות, x_(i+j) הוא קטע האק"ג הקלט, b הוא מונח ההטיה ו-σ הוא פונקציית ההפעלה (ReLU, במקרה זה)¹¹.
   3. שכבת איגום: לאחר כל קונבולוציה, הגדר פעולת איגום מקסימלית כדי להקטין את הממד המרחבי בפקטור של 2, המוגדר כ:
      (2)
      הערה: פעולה זו שומרת על התכונות הבולטות ביותר תוך הפחתת המורכבות החישובית.
   4. שכבה קונבולוציונית שנייה: השתמש בשכבה זו כדי להחיל 64 מסננים בגודל 3 על מפות התכונות מהשכבה הקודמת, תוך חילוץ תכונות ברמה גבוהה יותר¹². החל פונקציית הפעלה של ReLU לאחר קונבולוציה כדי להציג אי-ליניאריות:
      (3)
      1. שכבות הפעלה נוספות: החל הפעלת ReLU בכל שלב ביניים לאחר הקונבולוציה כדי לשפר את כוח הביטוי של הרשת, ולהבטיח שהמודל יתמקד בהפעלות חיוביות¹³.
   5. Dropout: ציין שיעור נשירה של 0.5 בסעיף¹⁴ של השכבה המחוברת במלואה.
3. בלוק שנאי:
   1. כדי לעקוב אחר פרוטוקול זה, הגדר את בלוק השנאי כך שיכלול שתי שכבות תשומת לב עצמית מרובות ראשים, המאפשרות למודל ללכוד תלות זמנית על פני חלקים שונים של אות ה-ECG¹⁵.
   2. תשומת לב עצמית מרובת ראשים: מנגנון זה מחשב את היחסים בין כל זוג רכיבי רצף. עבור רצף עם השאילתה Q, מפתח K וערך V, חשב את תשומת הלב כך:
      (4)
      כאשר Q, K ו-V הם מטריצות השאילתה, המפתח והערך, בהתאמה, ו-d_k מייצג את הממדיות של וקטורי המפתח.
      הערה: על ידי מתן אפשרות למודל לשקול מקטעים שונים בהתאם לרלוונטיות שלהם, מנגנון זה משפר את יכולתו של המודל להבחין בין הפרעות קצב עם מאפיינים זמניים עדינים.
   3. פונקציות הפעלה: השתמש ב-ReLU במפורש על פני שכבות.
4. התמרת גל רציפה (CWT):
   1. לפני הזנת הנתונים לשכבות ה-CNN, החל טרנספורמציות גל רציפות כדי להמיר את אותות ה-ECG לייצוגים בתדר זמן¹⁶.
      הערה: טרנספורמציה זו מספקת מערך תכונות מקיף יותר על ידי לכידת וריאציות התדר לאורך זמן, שהן חיוניות להבחנה בין סוגי הפרעות קצב שונות.
5. תהליך ההכשרה:
   1. כדי לאמן את המודל, השתמש באופטימיזציה של אדם, שמתאים באופן דינמי את קצב הלמידה על סמך הרגע הראשון והשני של השיפוע. הגדר את כלל העדכון עבור אדם כ:
      (5)
      כאשר m_t ו-v_t הם אומדני הרגע הראשון והשני, α הוא קצב הלמידה, ו-ε הוא קבוע קטן כדי למנוע חילוק באפס¹⁷.
   2. ערכו אימונים במשך 100 תקופות, עם גודל אצווה של 64, תוך שימוש בעצירה מוקדמת כדי להפחית התאמת יתר.
      הערה: נתוני האימון הוזנו למודל באמצעות כלי השירות PyTorch DataLoader, וגם נורמליזציה של נשירה וגם אצווה יושמו כדי להסדיר את הרשת ולשפר את ההתכנסות.
6. כוונון היפרפרמטרים
   1. בצע כוונון ידני באמצעות עצירה מוקדמת, אופטימיזציה של אדם, נשירה, נורמליזציה של אצווה וגודל אצווה של 1024.
      הערה: בעוד שחיפוש רשת או בייסיאני אינו מוזכר במפורש במאמר זה, בחירות אלה משקפות אסטרטגיות כוונון מעשיות.
7. טכניקות אימות
   1. השתמש בפיצול מבחן רכבת מרובד של 70-30 לאחר החלת SMOTE¹⁸.
      הערה: בעוד שלא נעשה שימוש ב-k-fold, הריבוד שומר על התפלגות המחלקה, שלעתים קרובות מספיקה עם מערכי נתונים גדולים.

Results

מדדי ביצועים של המודל המוצע
הדיוק, הרגישות, הספציפיות וציון F1 של המודל המוצע מחושבים עבור כל מחלקת הפרעות קצב. ביצועי המודל מוערכים ב-MIT-BIH ובמסדי נתונים רלוונטיים אחרים של א.ק.ג. התוצאות העיקריות מסוכמות כדלקמן:

דיוק: המודל ההיברידי CNN-Transformer השיג דיוק של 99.32% במערך הנתונים של MITDB ו-97.15% במסדי נתונים משולבים, מה שמדגים את חוסן המודל על פני מקורות א.ק.ג שונים¹⁹.

רגישות וסגוליות: המודל הראה רגישות של 97.75% ו...

Discussion

תוצאות מחקר זה מצביעות על כך שהמודל ההיברידי CNN-Transformer מסווג במיומנות הפרעות קצב א.ק.ג עם דיוק גבוה, רגישות, ספציפיות וציון F1, ועולה באופן ניכר על מודלים קונבנציונליים של CNN בלבד ו-CNN-LSTM. שילוב שכבות שנאי שיפר את יכולתו של המודל ללכוד תלות זמנית, מרכיב מכריע בניתוח א.ק.ג. יתר על כן, טרנספורמציות גל רציפות (CWT) מספקות מאפייני זמן-תדר נרחבים, המאפשרים לשכבות ה-CNN להבדיל בין שינויים עדינים בצורת הגל בין סוגי הפרעות קצב. ממצאים אלה מדגישים את היעילות של הארכיטקטורה ההיברידית בני...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
מערכת			(לאימון) מעבד: AMD Ryzen 7 7840HS, זיכרון RAM של מעבד: 16 ג'יגה-בייט, זיכרון RAM של GPU: 6GBNVIDIA GeForce RTX 3050
חבילת python למידה			המשמשת לדגימה מחדש
pytorch			PyTorch היא חבילת Python המספקת שתי תכונות ברמה גבוהה: - חישוב טנזור (כמו NumPy) עם האצת GPU חזקה - רשתות עצביות עמוקות הבנויות על מערכת autograd מבוססת קלטת
Seaborn			Seaborn היא ספריית הדמיה של Python המבוססת על matplotlib.
WFDB			משמש לקריאה, כתיבה, עיבוד והתוויית נתוני אותות פיזיולוגיים והערות