המודל במחקר זה נבנה כדי לסווג הפרעות קצב מוקדמות במאגרי נתונים של אלקטרוקרדיוגרם (ECG) ממספר מסדי נתונים לחמישה סוגי דופק עיקריים. בהשוואה למודלים אחרים, מודל זה מתפקד טוב יותר מבחינת דיוק, רגישות, דיוק ושליטה.
מאמר מחקר
גישה היברידית יעילה חישובית לחיזוי הפרעות קצב מבוססות אלקטרוקרדיוגרם
נפתח בלשונית חדשה
במאמר זה
סיכום
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
תקציר
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
מחלות לב וכלי דם, במיוחד הפרעות קצב, הן גורם מוביל למוות ברחבי העולם. דבר זה מדגיש את הצורך במערכות אוטומטיות שיכולות לזהות ולאבחן מצבים אלו מוקדם. מחקר זה מציג מודל למידה עמוקה שמזהה הפרעות קצב באמצעות אותות אלקטרוקרדיוגרם (ECG). המודל מתמקד בחמישה סוגים עיקריים של פעימות לב: תקין (N), חסימת ענף אגב שמאלי (L), חסימת ענף חבילת ימני (R), פעימה מוקדמת בעלייה (A), והתכווצות חדרית מוקדמת (V). המערכת משתמשת באותות Lead I ממספר מסדי נתונים, כולל MIT-BIH להפרעת קצב, על-חדרים, INCART 12-lead, ו-Sudden Cardiac Death Holter. זה מספק יותר מ-3.9 מיליון מקטעי הדרכה ו-112,575 מקטעי בדיקה.
הנתונים מעובדים מראש על ידי חלוקתם לחלונות קבועים של 180 דגימות, הגדלתם באמצעות נרמול Min-Max, ואיזון המחלקות עם טכניקת דגימת היתר של מיעוט סינתטי. המודל משלב רשתות עצביות קונבולוציונליות חד-ממדיות לחילוץ תכונות מרחביות ושכבות שנאים ללכידת דפוסים מבוססי זמן. הוא משתמש באופטימיזציה של אדם וכולל דרופאאוט ונירמול אצווה לשיפור הביצועים. המערכת משיגה דיוק, דיוק וציון F1 של 99.99% בכל המחלקות, שזה טוב יותר מדגם TN4 ודגמים מובילים אחרים. השימוש ברשתות עצביות קונבולוציוניות ובארכיטקטורות היברידיות עמוקות משפר את עמידות התכונות. מודל זה מראה פוטנציאל רב לזיהוי הפרעות קצב בזמן אמת וניתן להרחבה ותורם לקידום שירותי בריאות דיגיטליים מותאמים אישית ומונעי בינה מלאכותית.
מבוא
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
מחלות לב וכלי דם הן הגורם המשמעותי ביותר לבעיות בריאות אנושיות, עם יותר מ-17 מיליון מקרי מוות מדי שנה. כמעט שלושה רבעים מכלל מקרי מחלות לב וכלי דם (CVD) חיים במדינות בעלות הכנסה נמוכה בעולם, כפי שמציין הפדרציה העולמית ללב. אלקטרוקרדיוגרם (ECG) לוכד את הפעילות החשמלית הנוצרת על ידי דה-פולריזציה של הלב. האותות החשמליים מתפשטים לעור. אותות ECG מעבירים לפחות שני פרטים חיוניים. אחד מהם הוא רפואה ביולוגית הקשורה לבריאות. השני הוא תעודות או ביומטריה הקשורות לאדם. בשל פשטותה, נשקלו שיטות שונות לסיווג אותות ECG, כולל גישות ביתיות ולמידת מכונה. השיטה הידנית גוזלת זמן ולא יעילה. זה דורש אותות בזמן אמת כמו ECG ותשתית מחשבים משמעותית. גישות למידת מכונה צפויות להניב דיוק נמוך יותר בבראקט מהשיטה הידנית, אך נדרש אלגוריתם מתאים להפחתת הסיכון להפרעת קצב בלתי מזוהה1.
המחלה הקרדיווסקולרית הנפוצה ביותר היא אריתמיה, מצב שבו דפוס הדופק אינו תקין. דפוסים חריגים אלה חייבים להיות מסווגים לקטגוריות כי מידע כזה עלול להשפיע על הטיפול. א.ק.ג משמש באופן נרחב לזיהוי דפוסי לב חריגים ולחיזוי מחלות לב, מה שמאפשר גילוי מוקדם. האבחון של הפרעות קצב נשען בעיקר על ה-ECG, מכשיר רפואי חשוב המשמש לתיעוד התעוררות לבבית, העברת אותות ומעקב אחר ההחלמה. א.ק.ג הוא הכרחי ואמין ברפואה מודרנית. האוטומציה של פרשנות אותות ECG משפרת משמעותית את הפרקטיקה הקלינית ומשפרת את בטיחות המטופל. הפרעות קצב הן קצב ודפוסים לא תקינים של הלב. בינה מלאכותית, ובמיוחד למידת מכונה, היא כלי מצוין לחיזוי מחלות וניתוח דעות, במיוחדבמחלות לב וכלי דם.
נתונים רפואיים שונים, כגון רשומות מטופלים, משמשים בדרך כלל בבתי חולים למטרות קליניות. ניתן גם לייצר נתונים רפואיים במהירות כדי לתמוך באופטימיזציה של אלגוריתמים של למידת מכונה. המכונה מאומנת על מאגר נתונים שלבסוף לומד ממנה. לאחר ההכשרה, הוא יכול לזהות ולסווג האם מקרה בריא או בהתבסס על תכונות שונות של הרשומות שלו 3,4. מכונות יכולות גם לזהות דפוסים בנתונים הנתונים, שלעיתים אינם נתפסים בקלות על ידי בני אדם בגלל מחסור בזמן או משאבים מוגבלים. מספר שיטות שימשו לסיווג אותות ECG, כולל K-neighbours (KNN), מכונות וקטוריות תמיכה (SVM), רשתות עצביות (NN), עצי החלטות, ניתוח ליניארי מבחין (LDA) ומסווגי בייסיאן. SVM נחשב לאחד האלגוריתמים היעילים ביותר ללמידה מפוקחת לסיווג אותות ECG לזיהוי הפרעות קצב 5,6.
מודל ברקט מתפקד היטב המשתמש ב-NN ובפרספטרון רב-שכבתי (MLP) טוב יותר משיטות קונבנציונליות אחרות. אלגוריתמים של למידה עמוקה כגון רשתות עצביות מלאכותיות (ANNs) שימשו בהצלחה במשימות כמו שליפת מידע, זיהוי תמונה, זיהוי עצמים ועיבוד שפה. CNNs שימשו רבות במחקר לחילוץ תכונות סגנוניות מגלי ECG ולניתוח תכונות אלו למטרות שונות, כגון גילוי קומפלקס QRS וקטע ST או גלי P 7,8. ה-CNN החד-ממדי לומד לזהות את התכונות הרלוונטיות ביותר באותות ECG ולסווג אותם לחמישה סוגי הפרעות קצב. הוחל מסנן סינון בסיסי והסרת רעש בתדר גבוה לשיפור איכות האות. זה סיווג הפרעות קצב לחמש קטגוריות 9,10.
כפי שמוצג באיור 1, גל P, קומפלקס QRS וגל T הם חלקים חשובים ב-ECG. גל ה-P מייצג דפולריזציה עליתית, הפעילות החשמלית שגורמת לתכווצות העלית. קומפלקס QRS משקף דפולריזציה חדרית; זהו הדחף החשמלי שמפעיל את התכווצות החדרים. גל ה-T מצביע על קיטוב חדרים, שלב ההתאוששות של החדרים לאחר ההתכווצות. ביחד, גלים אלו מייצגים מחזור לב שלם אחד. הם חיוניים להבנת אופן פעולת הלב ולאבחון בעיות לב11.
כל הגלים הללו מייצגים מחזור לב אחד. הם חשובים מאוד להבנת אופן פעולת הלב ולאבחון מצבים לבביים. מודלים של למידה עמוקה השיגו לאחרונה התקדמות משמעותית בפרשנות אותות רפואיים בעזרת מחשב, כולל אותות ECG. מודלים מסורתיים של למידת מכונה מבוססי תכונות שנוצרו בעבודת יד סובלים מבעיות בקנה מידה והסתגלות בין אוכלוסיות מטופלים שונות. כדי להתמודד עם אתגרים אלו, מודלים עמוקים כמו CNN ומודלים היברידיים המשלבים CNN עם מודלים חוזרים כמו LSTMs הופיעו כדי ללמוד אוטומטית תכונות רלוונטיות מאותות ECG גולמיים. דבר זה שיפר משמעותית את דיוק הסיווג12.
מחקר זה מציע מסגרת למידה עמוקה לסיווג אותות ECG לחמש קטגוריות של דופק לב: תקין (N), חסימת ענף אגב שמאלי (L), חסימת ענף חבילת ימנית (R), פעימה מוקדמת בעלייה (A), והתכווצות חדרית מוקדמת (V). כדי לאמן את המודל, אנו משתמשים במאגרי ECG הזמינים לציבור כגון מאגר MIT-BIH להפרעות קצב ומסד הנתונים העל-חדרים. מערכי נתונים אלו מעובדים מראש ומחולקים למקטעים באורך קבוע לניתוח. מכיוון שחוסר איזון מעמד הוא בעיה נפוצה בנתוני הפרעות קצב, אנו מיישמים את טכניקת דגימת היתר של מיעוטים סינתטיים (SMOTE) כדי לאזן את נתוני האימון. דבר זה מבטיח שהמודל יוכל ללמוד ביעילות מכל המקצועות ולשפר את דיוקו בסיווג סוגי פעימות לב שונות.
בהשראת התקדמות אחרונה בסיווג ECG, כולל מודלים המשתמשים בטרנספורמציות גל רציפות (CWT) וארכיטקטורות CNN, הגישה המוצעת עושה שימוש הן ב-CNN סטנדרטי והן במודל היברידי הכולל שכבות שנאי. על ידי שילוב CNN לחילוץ תכונות מרחביות ושנאי ללכידת תלות זמנית, מערכת זו משיגה דיוק גבוה, עם F1 ודיוק קרובים ל-100% בכל הקטגוריות13,14.
"תכונות מרחביות" מתייחסות לתכונות הקשורות למיקום או למיקום של משהו, כגון מרחק, כיוון וצורה. מצד שני, "תכונות זמניות" מתארות אלמנטים הקשורים לזמן, כמו מתי אירוע התרחש, משך הזמן שלו, או רצף האירועים. בעצם, "מרחבי" פירושו "מרחב" ו"זמני" פירושו "זמן".
המטרות העיקריות של מחקר זה היו לפתח מודל מדויק וניתן להרחבה לגילוי הפרעות קצב בזמן אמת ולתמוך בהתרחבות בתחום האבחון המונע בינה מלאכותית בתחום הבריאות. מערכת זו מראה פוטנציאל למעקב בזמן אמת, המאפשרת גילוי מוקדם והתערבות למטופלים בסיכון לאירועים לבביים.
מטרות עבודת המחקר הללו רב-ממדיות. ראשית, הטכניקה המוצעת שואפת לסווג פעימות הפרעות קצב לחמש קטגוריות: נורמלי (N), חסימת ענף אגב שמאלי (L), חסימת ענף ימנית (R), פעימה מוקדמת בפרוזדורים (A), וכיווץ חדרי מוקדם (V). שנית, מחקר זה שואף לבנות מודל היברידי של CNN וטרנספורמר שיכול ללמוד מידע מורפולוגי וזמני מאותות ECG ללא עיבוד מוקדם15. שלישית, הטכניקה המוצעת שואפת לספק פתרון מוכוון ביצועים שניתן ליישם בזמן אמת. רביעית, מחקר זה ישאף להראות שיפורים בדיוק ורגישות של המודל המוצע בהשוואה למודלים המתקדמים16,17.
בנוסף, רשתות קונבולוציונליות גרפיות (GCNs), המדמות אינטראקציות בין גורמים פיזיולוגיים בתוך גרף מובנה, הוצגו למשימות חיזוי ביו-רפואיות ועשויות לשחק תפקיד במודלים עתידיים לסיווג הפרעות קצב שמתחשבים בתלות בהדדיות.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
פרוטוקול
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
הצהרה אתית
מחקר זה התבסס לחלוטין על נתוני א.ק.ג ציבוריים ואנונימיים שהורדו מ-PhysioNet. כל מערכי הנתונים ששימשו במחקר זה נאספו במקור בהסכמת הנבדקים ובאישור אתי מבעלי הנתונים הרלוונטיים. מחקר זה לא דרש איסוף נתונים, עבודה ניסיונית עם נבדקים אנושיים או בעלי חיים, או מידע אישי על זהות מטופל. לכן, לא נדרשה בדיקה אתית נוספת.
מתודולוגיה
איור 2 ממחיש את תהליך העבודה של הארכיטקטורה המוצעת.
איסוף נתונים
נתוני ה-ECG נאספים ממאגר PhysioNet, מאגר פופולרי של אותות פיזיולוגיים. מספר מערכי נתונים נאספים ממסד הנתונים. מערכי נתונים אלו מתאחדים למאגר נתונים עיקרי אחד הכולל סוגים שונים של אותות ECG.
מערכי נתונים בשימוש
מחקר זה השתמש במספר מאגרי נתוני ECG זמינים לציבור כדי לפתח ולהעריך מודל למידה עמוקה לסיווג הפרעות קצב. בחירת מערכי הנתונים הללו נעשתה בקפידה, תוך התחשבות בגיוון הדמוגרפיה של המטופלים ובמגוון סוגי הפרעות קצב, כדי להבטיח שהמודל המוצע יתבצע היטב בתרחישיםשונים. למחקר זה, שולבו רק נתוני Lead-I ממסד הנתונים של MIT-BIH להפרעות קצב, מאגר הפרעות קצב על-חדריות של MIT-BIH, מאגר INCART 12-עופרת של סנט פטרסבורג, ומסד הנתונים של הולטר מוות קרדיאלי פתאומי. מערכי נתונים אלו ידועים בהקלטות ECG איכותיות ומוערות, הכוללות מגוון רחב של סוגי הפרעות קצב.
מאגרי הנתונים המשולבים לעיל כוללים דמוגרפיה של מטופלים, מכשירי הקלטה, תדרי דגימה והגדרות. השונות שהוזכרה לעיל במודל משפרת את ההכללה שלו בכך שהיא חושפת אותו למגוון רחב של מורפולוגיות, רעש וקצב של ECG.
תיאור מערכי הנתונים
מאגר הפרעות קצב MIT-BIH
מערך הנתונים של הפרעות קצב של MIT-BIH כולל 48 הקלטות ECG של חצי שעה, ממוספרות 100-234. כל רשומה מכילה אותות ECG דו-ערוציים הדיגיטליים בקצב של 360 דגימות בשנייה. הנתונים נשמרים בפורמטים של .dat, .hea ו-.atr.
מאגר MIT-BIH להפרעת קצב על-חדרית
זוהי תת-קבוצה מסוימת של מסדי הנתונים של MIT-BIH. מאגר הנתונים להפרעות קצב על-חדרי של MIT-BIH כולל 78 הקלטות אק"ג מלאות, באורך של 30 דקות ועד מספר שעות, ממוספרות 801-811. כל תקליט כולל אותות ECG דו-ערוציים, המומרים לצורה דיגיטלית במהירות של 128 דגימות לשנייה.
מאגר הנתונים של INCART להפרעות קצב 12 עופרות בסנט פטרסבורג
מאגר זה כולל 75 הקלטות עם הערות שנלקחו מ-32 מסכי הולטר. כל הקלטה נמשכת 30 דקות וכוללת 12 סוליות סטנדרטיות, כל אחת מדגימה בתדר 257 הרץ. עוצמת האות נעה בין 250 ל-1100 יחידות ממיר אנלוגי לדיגיטלי למיליוולט.
מאגר נתונים של הולטר מוות לבבי בלתי צפוי
מאגר נתונים זה הוא אחד מההקלטות הרבות של הולטר בגישה פתוחה שתופסות הופעות עובדתיות של טכיקרדיה חדרית (VT) ופרפור חדרים (VF). שניהם עלולים להוביל למוות לבבי בלתי צפוי. כל תקליט הוא באורך 24 שעות ונדגם בתדר 250 הרץ.
קדם-עיבוד נתונים
במחקר זה נעשה שימוש בארבעה מאגרי א.ק.ג ציבוריים עם קצב דגימה שונה: הפרעת קצב MIT-BIH (360 הרץ), MIT-BIH להפר-חדרים, ST. Petersburg INCART 12-lead (257 הרץ), ו-Sudden Cardiac Death Holter (250 הרץ). כדי להבטיח שכל הנתונים יהיו עקביים וניתן לשלבם במהלך אימון המודלים, כל אותות ה-ECG דוגמו מחדש לקצב משותף של 360 הרץ, התואם למסד הנתונים של MIT-BIH להפרעות קצב ומשמש בדרך כלל כסטנדרט במחקר ECG. הדגימה מחדש בוצעה באמצעות אינטרפולציה מוגבלת ללהקה; בהתחלה, אותות ה-ECG היו מסוננים במעבר נמוך כדי למנוע אליאסינג, ובהמשך נעשה שימוש בליבת שחזור מבוססת sinc לאינטרפולציה, ואחריה דגימה סופית בתדר 360 הרץ. לאחר דגימה חוזרת, כל אות חולק לחלונות של 180 דגימות, בערך ל-0.5 שניות של נתונים, כדי להבטיח שלכל מערכי הנתונים תהיה אותה רזולוציית זמן. סטנדרטיזציה זו אפשרה לשלב אותות ממאגרי מידע שונים לאימון ובדיקות, וסייעה למודל ללמוד דפוסים עקביים לאורך זמן.
עיבוד מוקדם כלל מספר שלבים חשובים להבטחת איכות נתוני הקלט:
חלוקת נתונים:
לאחר דגימה מחדש, כל אות ECG חולק לחלונות באורך קבוע של 180 דגימות. זה מתאים לכ-0.5 שניות של משך אות בקצב דגימה של 360 הרץ. מחקר זה השתמש בחלון הזזה קבוע ולא חופף לסגמנטציה. כל חלון אסף רצף רציף של דגימות א.ק.ג. המחקר בחר חלון של 180 דגימות כי מרווח של 0.5 שניות מספיק כדי לתפוס מחזור לב מלא או את חלקיו העיקריים: גל P, קומפלקס QRS וגל T, עבור קצב לב טיפוסי של מבוגרים. תווית מחלקה הוקצתה לכל קטע בהתבסס על ההערה במרכז המקטע. כך, תווית הקטע התאימה לצורת פעימת הלב הראשית בתוך אותו חלון. שיטת חלון הזזה, יישמה פונקציית סגמנטציה זו:
כאשר si היא דגימת ה-ECG בזמן i.
נורמליזציה:
נרמלתי את נתוני ה-ECG המחולקים עם קנה מידה מינימום-מקסי כדי לוודא שלכל התכונות יש ערכים בין 0 ל-110.
שלב זה מסייע להאיץ את ההתכנסות של המודל במהלך האימון.
איזון מחלקות עם SMOTE
פעימות תקינות (N) עלו בהרבה על קטגוריות דופק חריגות במאגר ה-ECG, שהראה חוסר איזון משמעותי בכיתה. לאחר סגמנטציה, נרמול וחלוקת מבחני רכבת, מאגר הנתונים של האימון עבר את טכניקת דגימת היתר של מיעוטים סינתטיים (SMOTE) כדי להתמודד עם בעיה זו.
מרחב תכונות בעל 180 ממד שימש לייצוג כל קטע ECG, וכלל 180 דגימות מנורמלות. SMOTE השתמש במרחק האוקלידי כדי לקבוע את k השכנים הקרובים ביותר של כל מחלקת מיעוט (k = 5) בתוך המחלקה שלו. SMOTE יושם רק על נתוני האימון, שחולקו ל-70% מערכות אימון ו-30% בדיקות באמצעות דגימה שכבתית. כך לא נוספו דגימות מלאכותיות למערכת הבדיקות, מה שמבטיח שתוצאות הבדיקה לא יושפעו מתהליך הדגימה המופרזת. נתוני הבדיקה נותרו ללא שינוי, שמרו על התפלגות המקצועות המקורית שלהם, ושימשו רק להערכת המודל בצורה הוגנת. כתוצאה מכך, תוצאות הביצועים הגבוהות ממחקר זה מראות את היכולת האמיתית של המודל להכליל, לא בגלל התאמת יתר או ציונים מנופחים מהוספת דגימות נוספות.
חלוקת רכבת-מבחן:
לאחר עיבוד מוקדם וסינון מחלקות, מערך הנתונים חולק לתת-קבוצות אימון ובדיקות בחלוקה של 70%–30% באמצעות דגימה אקראית שכבתית. הסטרטיפיקציה הזו מבוססת על תוויות הקטגוריות כדי להבטיח שהפרופורציות היחסיות של כל מחלקת דופק נשמרות במערכות האימון והבדיקה.
הפיצול בוצע באמצעות זרע אקראי לצורך שחזוריות. כל קטע ECG הופיע אך ורק באימון או בסט הבדיקות. כדי למנוע הטיה וסטיית נתונים, כל שלב קדם-עיבוד שעשוי להשפיע על התפלגות הנתונים (כלומר, איזון מחלקות באמצעות SMOTE) בוצע רק לאחר הפיצול ורק על נתוני האימון.
בהקשר זה, על ידי שמירה על פרופורציות מחלקות, שימוש בשכבות אקראיות והפרדה קפדנית של הדגימות לקבוצות אימון ומבחן, תהליך הפיצול מפחית את הסבירות להטיה במדגמים, ומאפשר למדדי ביצועים לשקף את הכללת המודל ולא את השאריות הספציפיות לנתונים.
פיצול מערכי נתונים והתפלגות מחלקות
מערך הנתונים הסופי חולק לקבוצות אימון ובדיקות, כאשר 70% להדרכה ו-30% לבדיקות. לאחר יישום SMOTE, חוסר האיזון בכיתות הופחת, מה שהבטיח שכל סוג הפרעת קצב ייצג היטב הן במערכות האימון והן במבחנים. בסך הכול נעשה שימוש ב-3,966,620 קטעי ECG לאימון, בעוד ש-112,575 מקטעי ECG שימשו לבדיקות. נפח הנתונים הגדול, בשילוב עם מגוון סוגי הפרעות הקצב, אפשר יצירת מודל שמזהה ביעילות סוגי הפרעות קצב שונים באותות ECG אמיתיים. מחקר זה עושה שימוש במודלים של למידה עמוקה כדי לסיווג הפרעות קצב ב-ECG. חמשת סוגי הדופקים, כלומר תקין (N), חסימת ענף חבילת שמאל (L), חסימת ענף ימני (R), פעימת טרוזדורים מוקדמת (A) והתכווצות חדרית מוקדמת (V), נבחרו בהתאם להערות הקצב הסטנדרטיות המסופקות במאגר MIT-BIH להפרעות קצב וכן להנחיות AAMI להערות קצב ECG. כל חמשת ההערות לפעימות המוזכרות כאן כוללות מצבים לביים משמעותיים הנכללים בקטגוריה הרחבה של הפרעות קצב ומציגים תכונות גל ייחודיות באותות ה-ECG סביב גלי P, QRS ו-T.
יתרה מזאת, מחלקות אלו הן מהנפוצות ביותר ומסומנות בעקביות במאגרי א.ק.ג. ציבוריים, מה שמקל על בדיקת יעילותן בהשוואה לשיטות סיווג קצב לב מבוססות ECG אחרות. מערכי הנתונים חולקו בשיטת חוצה מטופלים. הגדרה זו הבטיחה שמקטעי ECG של מטופל אחד לא יופיעו בו-זמנית הן במערכות ההכשרה והן בבדיקות בו-זמנית. לאחר שהפיצול התרחש, SMOTE הוחל רק על סט האימונים. ערכת הבדיקה נשארה נקייה מדגימות סינתטיות וחלונות זמן חוזרים. כל זה עוזר למנוע חפיפה ברמת הסגמנט ותומך בהכללה אמיתית כאשר מדובר במטופלים שלא נראו בעבר.
חלוקת מחלקות לפני ואחרי SMOTE:
מערך הנתונים המקורי סבל מחוסר איזון משמעותי בין המחלקות, עם מספר רב של פעימות נורמליות (N) ופחות דגימות למחלקות החריגות. לפני השימוש ב-SMOTE, נתוני האימון כללו כ-133,320 בלוק נורמלי (N), 8,075 בלוק ענף חבילות שמאלי (L), 10,431 בלוק ענף חבילות ימני (R), 4,489 פעימות מוקדמות בעליות (A), ו-60,682 מקטעי התכווצות חדרית מוקדמת (V). כדי להתמודד עם חוסר האיזון, SMOTE יושם רק על קבוצת האימונים, והגדיל את מספר הדגימות במחלקות המיעוט כדי להתאים למחלקת הרוב. לאחר ההרחבה, לכל כיתה היו 793,324 מקטעים, מה שהוביל לסך של 3,966,620 מקטעי ECG לאימון. סט הניסוי, שכלל 112,575 מקטעים, שמר על התפלגות הקטגוריות המקורית ולא דגם עוד. גישה זו הבטיחה הערכה הוגנת ואובייקטיבית של ביצועי המודל.
הכשרה והסקה
בדקתי יעילות חישובית על ידי בדיקת ביצועי האימון וההסקה בכרטיס גרפי NVIDIA RTX 3050 עם זיכרון של 6 גיגה-בייט. תהליך האימון ארך כ-3.2 שעות במשך 60 אפוקים. השהיית ההסקה הגיעה בממוצע ל-0.45 מילישניות לכל מקטע של 180 דגימות, מה שמאפשר שימוש בזמן אמת. צריכת הזיכרון בכרטיס המסך הגיעה לשיא של 4.2 גיגה-בייט, ולדגם יש רק 1.8 מיליון פרמטרים, כך שהוא מרגיש קל יותר לעומת רוב מערכות ה-ECG מבוססות שנאי.
תהליך ההכשרה וההסקה כולל את השלבים הבאים:
הגדרת אימון: מוגדרים פרמטרי אימון, כגון קצב למידה, גודל אצווה ואפוקים.
אימון מודלים: מודל CNN-Transformer מאומן על נתוני האימון.
אימות: לאחר האימון, בודקים את דיוק האימות והאובדן של המודל. אם הביצועים טובים, המודל נשמר. אם הביצועים ירודים, הצינור חוזר על עצמו עם פרמטרי אימון שונים, וחוזר לשלב קביעת הפרמטרים.
ארכיטקטורת מודלים
כל מערכת CNN-Transformer כוללת ארבעה חלקים עיקריים: חילוץ תכונות קונבולוציונלית, שכבת הקרנה, מקודד השנאי, ולבסוף ראש הסיווג. הבלוק הקונבולוציוני מתחיל בשכבה קונבולוציונית חד-ממדית עם 32 מסננים, גודל גרעין של 3, צעד של 1, וריפוי של 1, ואחריו ReLU. הוא מפחית דברים עם איגוד מקסימלי, גודל ליבה 2, כדי להפחית את הרזולוציה הזמנית של האות. אחרי שכבת הקונבולוציה הראשונה הזו, יש עוד אחת עם 64 פילטרים, אותו גודל ליבה 3, צעד 1, ריפוד 1, ReLU שוב, ועוד מרחב מקסימלי בגודל 2. הפלט מכל זה מושטח, עובר דרך שכבת הקרנה ליניארית שממפה תכונות למרחב הטמעה 128 ממדי, שמזין את עצמו לטרנספורמטור18,19.
בלוק השנאי כולל שתי שכבות מקודד, כל אחת עם ריכוז עצמי רב-ראשי המשתמש ב-4 ראשים ללכידת תלות לטווח ארוך באות ה-ECG. בכל שכבה יש רשת feedforward לפי מיקום עם גודל נסתר של 256 ו-dropout ב-0.5 כדי לסייע בהתאמת יתר. נרמול השכבה מתרחש לאחר כל תת-שכבה, מה שמייצב את האימון.
לגבי ראש הסיווג, זו שכבה מחוברת לחלוטין שיורדת מ-128 ל-64, ואחריה ReLU ו-0.5 שוב. לאחר מכן לשכבת הפלט יש חמישה נוירונים למחלקות הפרעות קצב, עם Softmax כדי לקבל הסתברויות.
בלוקים של רשת עצבית קונבולוציונית חד-ממדית (CNN):
בלוק ה-CNN מורכב משתי שכבות קונבולוציונליות חד-ממדיות, שכל אחת אחריה הפעלה של ReLU ושכבת איגוד מקסימלית (Accing). שכבות אלו מסייעות לזהות קשרים מרחביים בתוך אות ה-ECG הקלט. כדי לשפר את חילוץ התכונות, מופעלות פונקציות הפעלה נוספות של ReLU לאחר כל שלב טרנספורמציה בשכבות ה-CNN.
שכבת קונבולוציה ראשונה: שכבה זו משתמשת ב-32 פילטרים, כל אחד בגודל 3, על אות הקלט. התהליך ניתן לכתיבה כך:
כאשר yi הוא הפלט, wj מייצג את משקלי המסנן, xi+j הוא מקטע הקלט, b הוא מונח ההטיה, ו-σ מייצג את פונקציית ההפעלה (ReLU). מפת התכונות המתקבלת עוברת דרך שכבת הפעלה של ReLU כדי להוסיף אי-ליניאריות:
שכבת איגוף: לאחר כל פעולה קונבולוציונית, מוחל שלב איגום מקסימלי להקטנת הממדים המרחביים בחצי. תהליך זה מוגדר כך:
זה מסייע בשימור התכונות המשמעותיות ביותר וגם מפחית את העומס החישובי.
שכבת קונבולוציה שנייה: שכבה זו משתמשת ב-64 מסננים בגודל 3 x 3 לעיבוד מפות התכונות מהשכבה הקודמת, מה שמאפשר למודל לזהות דפוסים מורכבים יותר. לאחר הקונבולוציה, מופעלת פונקציית הפעלה של ReLU כדי להכניס אי-ליניאריות למודל.
שלב זה מבטיח שהמודל לוכד דפוסים מפורטים מאות ה-ECG.
שכבות הפעלה נוספות: הפעלת ReLU מיושמת לאחר כל שלב בתהליך הקונבולוציה כדי לסייע לרשת ללכוד טוב יותר דפוסים מורכבים, ולהבטיח שהמודל מתמקד בהפעלות חיוביות.
תהליך השטחה: לאחר פעולת הבריכה המקסימלית השנייה, מיפוי התכונות משתטח לווקטור יחיד לקלט לבלוק הטרנספורמר.
בלוקי טרנספורמר:
בלוק השנאי מורכב משתי שכבות של תשומת לב עצמית מרובת ראשים, המסייעות למודל להבין את הקשרים בין חלקים שונים של אות ה-ECG לאורך זמן. ריבוי-ראש לתשומת לב עצמית פועלת על ידי התבוננות בכל זוג אלמנטים ברצף. עבור רצף עם שאילתה Q, מפתח K וערך V, הקשב מחושב כך:
כאן, dk היא הממדים של הווקטורים המרכזיים, ומבטיחה אי-שינוי בקנה מידה.
שכבות Feedforward: כל פלט של תשומת לב עצמית עובר דרך רשת feedforward מחוברת במלואה עם הפעלת ReLU, ואחריה נרמול שכבות. שלב זה משפר את התכונות הזמניות שהופקו:
כאשר W1 ו-b1 הם המשקלים וההטיות של שכבת ההזנה קדימה.
ייצוג באצווה ראשונה: השנאי פועל על רצפים בפריסת אצווה ראשונה, ומבטיח תאימות לפורמט הקלט של בלוק ה-CNN.
שכבות מחוברות לחלוטין (צפופות):
לאחר עיבוד דרך בלוק השנאי, רצף הפלט מושטח ואז נשלח דרך שתי שכבות מחוברות לחלוטין לביצוע הסיווג. השכבה הראשונה המחוברת במלואה ממירה את וקטור הקלט למרחב תכונות בעל 128 ממדים, ומעצבת אותו מחדש בתהליך.
כאשר W היא מטריצת המשקל, x הוא וקטור הקלט, ו-b הוא וקטור ההטיה. שכבת הפעלה של ReLU מוחלת:
שכבת נפילת עם קצב של 0.5 מתבצעת כדי למנוע התאמת יתר.
השכבה השנייה המחוברת במלואה: השכבה האחרונה ממפה את התכונות ה-128 ממדיות למספר מחלקות דופק הלב (למשל, 5 מחלקות לזיהוי הפרעות קצב). הפלט עובר דרך פונקציית log-SoftMax כדי לחשב את הסתברויות הלוגריתם: exp(xi)
מודל היברידי CNN-טרנספורמר
המודל המוצג הוא מודל למידה עמוקה היברידי שמשלב את החוזקות של CNNs וטרנספורמרים כדי להשתמש בייצוגים מרחביים וזמניים כאחד. ארכיטקטורה זו מותאמת במיוחד לעיבוד נתונים מורכבים וארוכי רצף כגון אותות פיזיולוגיים.
המשוואה מייצגת את הייצוג הקלט, כאשר N = מספר הדגימות, T = מספר צעדי הזמן, d = ממד תכונה לכל צעד זמן.
משוואה זו מציינת את ההטמעות, כאשר pos = מיקום ברצף; i = אינדקס מימד הטמעה.
מודול CNN – חילוץ תכונות מקומיות
CNNs לומדים ביעילות תלות מקומית ודפוסים מורפולוגיים כגון פסגות, שיפועים או קפיצות בנתונים סדרתיים. השכבה הקונבולוציונית משתמשת 
בגרעינים בעלי היקף 
מרחבי מעל טנזור 
קלט . כל ערוץ פלט m נקבע על ידי:
= מספר ערוצי הקלט; K = גודל הגרעין; W = משקלי מסנן; b = הטיה
פונקציית ReLU
במקרה זה,
מייצג את המשקל הניתן ללמידה ו
- הוא ההטיה עבור ערוץ mA, הפעלה לא ליניארית, כמו היחידה הלינארית המתוקנת (ReLU), מיושמת:
איגוד ודחיסת תכונות
שכבות איגוד מקטינות את הממד המרחב או הזמן של מפות התכונות, משמרות תכונות חשובות ומפחיתות את החישוב. במקסימום פולינג עם גודל 
חלון וצעדים, הפיצ'ר המשותף במיקום 
הוא:
אורך הפלט לאחר איגוד
כאשר 
הוא אורך הקלט; צעד מגדיר גודל צעד להחלקת חלון האיחוד. נוסחה זו מחשבת את אורך הפלט של מיפוי תכונות לאחר פעולת איגום (למשל, איגוד מקסימלי). הוא מחשב כמה מפת התכונות מוקטנת לפי אורך הקלט, גודל הבריכה וצעד. ממיר מיפוי תכונות רב-ממדיות לווקטור עבור שכבות מחוברות במלואן.
מקודד טרנספורמר – לכידת תלות לטווח ארוך
טרנספורמרים משתמשים בתשומת לב עצמית כדי ללמוד תלות זמן ארוכת טווח ברצפים17.
תשומת לב מורחבת במכפלה הנקודה
Q, K, V הן מטריצות שאילתה, מפתח וערכים המחושבות באמצעות תחזיות שנלמדו; 
הוא הממד המרכזי המשמש להגדלת מכפלת הנקודה.
תשומת לב רב-ראשית
כל ראש מחשב תשומת לב באופן עצמאי; הפלטים מחוברים ומועברים ליניארית. 
הן מטריצות הקרנה שנלמדו עבור כל ראש. 
הוא משקל ההקרנה הסופי לאחר שרשור18,19.
תחזית סופית והפסד
שכבות מחוברות לחלוטין ממפות תכונות ללוגיט, אשר לאחר מכן הופכות לחיזוי באמצעות פונקציות הפעלה. לאחר שכבות קונבולוציונליות ואיגודיות, 
היא משתטחת לווקטור 
. שכבה מחוברת לחלוטין מחשבת את הלוגיטים: שכבה מחוברת לחלוטין מחשבת את הלוגיטים של המחלקה הבאה:
הפעלה של סיגמואיד/סופטמקס:
פונקציית ההפעלה ממפה את הפלט הגולמי 'z' של המודל להסתברויות. סיגמואיד מיושם לסיווג בינארי, ו-Softmax לבעיות מרובות מחלקות להתפלגות ההסתברות בין מחלקות. z הוא הפלט הליניארי (למשל, השכבה האחרונה: z = Wx + b). פלט ŷ הוא בין (0, 1), מה שמציין הסתברות20.
תהליך ההכשרה
ההכשרה בוצעה על מערכת עם מפרטי חומרה הבאים:
מעבד: AMD Ryzen 7 7840HS
זיכרון מעבד: 16GB
זיכרון כרטיס גרפי: 6GB NVIDIA GeForce RTX 3050
המודלים אומנו באמצעות אופטימייזר אדם, שמתאים את קצב הלמידה במהלך האימון בהתאם לרגעים הראשונים והשניים של הגרדיאנט. כלל העדכון עבור אדם ניתן על ידי:
בהגדרה זו, mt ו-vt מייצגים את ההערכות של המומנט הראשון והשני, α הוא קצב הלמידה, ו-ε הוא קבוע קטן המשמש למניעת חלוקה באפס. הדגמים אומנו ל-60 תקופות, עם עצירות מוקדמות כדי למנוע התאמת יתר. גודל אצווה של 1024 שימש, ונתוני האימון נטענו למודלים באמצעות DataLoader של PyTorch. נמנמו נפילות ואצוות כדי להסדיר את המודל ולהאיץ את ההתכנסות. Dropout היא שיטת רגולריזציה שמכבה באופן אקראי אחוז p מהנוירונים במהלך האימון, מה שעוזר להפחית התאמה יתר. מתמטית, יהי zi מציין את הפעלת הנוירוןה-i. במהלך שלב האימון, ההפעלה המותאמת z' מחושבת כך:
כאשר p הוא שיעור הנשירה (למשל, p = 0.5 עבור 50% נשירה). במהלך ההסקה, לא מוחל ניתוק, ומשתמשים בכל הרשת.
התכנסות ברשתות עצביות היא בעיה שמשפיעה משמעותית על מערכות סיווג קיימות במגזר הבריאות, במיוחד כאשר האבחנות אינן עקביות עקב התכנסות לא מספקת. מחקרים עדכניים על גישות אופטימיזציה בזמן מוגדר מראש והתכנסות בזמן קבוע הראו כי עדיין ניתן לאמן מודלים שמתכנסים בתוך מספר קבוע של איטרציות לכל המצבים ההתחלתיים. מודלים עתידיים המבוססים על זה יכולים לכלול אופטימיזציה בזמן מוגדר מראש.
נרמול אצווה:
נרמול אצווה מייצב ומאיץ את האימון על ידי נרמול הקלטים לכל שכבה. בהינתן מיני-אצווה של הפעלות x = {x1, x2, . . ., xN}, הפלט המנורמל באצווה xi .מחושב כך:
כאשר μB ו-σB2 הם הממוצע והשונות של האצווה, ε הוא קבוע קטן ליציבות נומרית, ו-γ ו-β הם פרמטרים ניתנים ללמידה שמגדילים ומשנים את הערכים המנורמלים. נורמליזציה באצווה מסייעת להפחית שינוי משתנים פנימי ומאפשרת שימוש בקצבי למידה גבוהים יותר. טכניקות אלו, בשילוב עם אופטימייזר אדם, מבטיחות אימון חזק על ידי הפחתת התאמת יתר ושיפור מהירות ההתכנסות21,22.
איור 3 מציג אובדן אימות ודיוק אימות על פני אפוקים במהלך אימון מודל למידת מכונה. דיוק האימות (קו כחול, ציר Y ימני) מתחיל יחסית נמוך (כ-97.5%) ועולה במהירות בעשר התקופות הראשונות. הוא ממשיך להשתפר ומגיע לרמות של כ-99.7% עד 99.8% לאחר כ-20 תקופות. זה מצביע על כך שהמודל לומד ומיישם ידע היטב על קבוצת הוולידציה. אובדן האימות (קו אדום, ציר Y שמאלי) מתחיל גבוה, ואז יורד בחדות לכמעט אפס בתוך התקופות הראשונות (בערך 2 עד 3). אחר כך, הוא נשאר כמעט אפס במשך שאר האימון23, 24.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
תוצאות
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
חלק זה מציג מודל היברידי ללמידה עמוקה שנועד לסווג הפרעות קצב מנתוני א.ק.ג. המודל מוערך על פי יכולתו לזהות חמישה סיווגים קליניים משמעותיים של דופק הלב: התכווצות מוקדמת בפרוזדורים, חסימת ענף חבילת שמאלית תקינה, חסימת ענף חבילת ימין, וכיווץ מוקדם של החדר בפרייזדורים. הערכה מקיפה חיונית לאור הרלוונטיות הקלינית של קטגוריות הפרעות קצב אלו והאתגרים שמציבים מאגרי נתונים לא מאוזנים ושונות אותות.
במהלך שלב העיבוד המוקדם הראשון בשלב איסוף הנתונים, נאספו כל מערכי הנתונים ...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
דיון
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
בזיהוי וסיווג הפרעות קצב מאותות ביולוגיים של ECG, המודל ההיברידי המוצע ללמידה עמוקה משלב מבני טרנספורמרים ורשתות עצביות קונבולוציוניות חד-ממדיות (CNNs) ומציג ביצועים מצוינים. שילוב זה מנצל את יכולת הטרנספורמר ללמוד תלות בזמן גלובלית דרך מנגנוני קשב עצמי ואת יכולת ה-CNN לזהות תכונות מרחביות מקומיות מגלי ECG גולמיים. המודל נבדק באמצעות חמש סוגי דופק חשובים: חסימת ענף חבילת שמאלית תקינה, חסימת ענף חבילת ימין, התכווצות מוקדמת בעלויות וכיווץ חדרי מוקדם.
מודל CNN-Tr...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
גילויים
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
למחברים אין ניגודי עניינים להצהיר עליהם.
חומרים
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| אדם אופטימייסר | קוד פתוח (PyTorch) | https://pytorch.org/docs/stable/optim.html | אלגוריתם אופטימיזציה המשמש לאימון מודל הלמידה העמוקה על ידי התאמת קצב הלמידה במהלך התפשטות אחורית. |
| חומרה (מערכת חישובית) | AMD; NVIDIA | https://www.amd.com/en/products/processors/laptop/ryzen/7000-series/amd-ryzen-7-7840hs ; https://www.nvidia.com | מעבד: AMD Ryzen 7 7840HS; זיכרון המעבד: 16 ג'יגה-בייט; כרטיס גרפי: NVIDIA GeForce RTX 3050 (זיכרון VRAM של 6GB). משמש לאימון והערכת דגמים. |
| למידה לא מאוזנת | למידה לא מאוזנת | https://imbalanced-learn.org | ספריית פייתון המשמשת לאיזון מחלקות עם טכניקת דגימת יתר של מיעוטים סינתטית (SMOTE). |
| Matplotlib | Matplotlib | https://matplotlib.org | ספריית פייתון המשמשת לגרף אותות ECG, מטריצות בלבול וגרפים של ביצועים. |
| מאגרי א.ק.ג של PhysioNet | PhysioNet | https://physionet.org | מאגרי נתוני ECG ציבוריים ששימשו במחקר, כולל הפרעת קצב MIT-BIH, הפרעת קצב על-חדרית ב-MIT-BIH, מסדי נתונים של INCART 12-lead, ומאגרי נתונים של Sudden Cardiac Death Holter. |
| פייטורץ' | פייטורץ' | https://pytorch.org | מסגרת למידה עמוקה בפייתון משמשת ליישום מודלים של CNN וטרנספורמר, צינור הדרכה והסקת מסקנות. |
| פייתון | קרן התוכנה של פייתון | https://www.python.org | שפת תכנות המשמשת לעיבוד נתונים מוקדם, פיתוח מודלים, הדרכה והערכה. |
| סיבורן | סיבורן | https://seaborn.pydata.org | ספריית ויזואליזציה של נתונים בפייתון המשמשת לגרפים סטטיסטיים ולויזואליזציה של תוצאות. |
| WFDB | WFDB | https://wfdb.readthedocs.io | חבילת פייתון המשמשת לקריאה, כתיבה, עיבוד ושרטוט אותות והערות פיזיולוגיות ממאגרי מידע של PhysioNet. |
מקורות
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
- Ullah, A., et al. A hybrid deep CNN model for abnormal arrhythmia detection based on cardiac ECG signal. Sensors (Basel). 21 (3), 951(2021).
- Oh, S. L., Ng, E. Y. K. Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats. Comput Biol Med. 102, 278-287 (2018).
- Jamil, S., Rahman, M. A. Novel deep-learning-based framework for the classification of cardiac arrhythmia. J Imaging. 8 (3), 70(2022).
- Reegu, F. A., et al. Blockchain-based framework for interoperable electronic health records for an improved healthcare system. Sustainability. 15 (8), 6337-6352 (2023).
- Aseeri, A. O. Uncertainty-aware deep learning-based cardiac arrhythmias classification model of electrocardiogram signals. Computers. 11 (6), 82-97 (2022).
- Tesfai, H., et al. Lightweight ShuffleNet-based CNN for arrhythmia classification. IEEE Access. 12, 111842-111854 (2022).
- Pandey, S. K., Janghel, R. R. Automatic detection of arrhythmia from imbalanced ECG database using CNN model with SMOTE. Australas Phys Eng Sci Med. 42, 1129-1139 (2019).
- Hu, R., Chen, J., Zhou, L. A transformer-based deep neural network for arrhythmia detection using continuous ECG signals. Comput Biol Med. 144, 105325(2022).
- Dang, H., et al. Novel deep arrhythmia-diagnosis network for atrial fibrillation classification using electrocardiogram signals. IEEE Access. 7, 75577-75590 (2019).
- Li, J., Zhang, Y., Gao, L., Li, X. Arrhythmia classification using biased dropout and morphology–rhythm feature with incremental broad learning. IEEE Access. 9, 66132-66140 (2021).
- Joddoa, A. S. Heart disease prediction system using SMOTE-balanced dataset and decision classifier. AIP Conf Proc, 2834, 050006(2023).
- Li, Y., Qian, R., Li, K. Inter-patient arrhythmia classification with improved deep residual convolutional neural network. Comput Methods Programs Biomed. 214, 106582(2022).
- Kiranyaz, S., Ince, T., Gabbouj, M. Real-time patient-specific ECG classification by 1-D convolutional neural networks. IEEE Trans Biomed Eng. 63 (3), 664-675 (2016).
- Vaswani, A., et al. Attention is all you need. Proceedings of the 31st International Conference on Neural Information Processing Systems, Long Beach, California, USA, , (2017).
- Hannun, A. Y., et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms. Nat Med. 25, 65-69 (2019).
- Zihlmann, M., et al. Convolutional recurrent neural networks for ECG classification. arXiv preprint. arXiv. , 1710.06122(2018).
- Kim, D., Lee, K. Hybrid CNN–transformer model for arrhythmia detection. Sci Rep. 15, 7817(2025).
- Diker, A., Aydin, K. Transformer-based attention model for arrhythmia detection using ECG signals. Biomed Signal Process Control. 68, 102679(2021).
- Sen, S. Y., Ozkurt, N. Convolutional neural network hyperparameter tuning with Adam optimizer for ECG classification. 2020 Innovations in Intelligent Systems and Applications Conference (ASYU), Istanbul, Turkey, , (2020).
- Chawla, N. V., Bowyer, K. W., Hall, L. O., Kegelmeyer, W. P. SMOTE: Synthetic minority over-sampling technique. J Artif Intell Res. 16, 321-357 (2002).
- Xia, Y., Wulan, N., Wang, K., Zhang, H. Detecting atrial fibrillation by deep convolutional neural networks. Comput Biol Med. 93, 84-92 (2020).
- Mohonta, S. C., Motin, M. A., Kumar, D. K. Electrocardiogram-based arrhythmia classification using wavelet transform with deep learning model. Sensing Bio-Sensing Res. 37, 100502(2022).
- Selvam, I. J., Madhavan, M. Detection and classification of electrocardiography using hybrid deep learning models. Hellenic J Cardiol. 81, 75-84 (2025).
- Izci, E., Ozdemir, M. A., Degirmenci, M., Akan, A. Cardiac arrhythmia detection from 2D ECG images by using deep learning technique. 2019 Medical Technologies Congress (TIPTEKNO), Izmir, Turkey, , (2019).
- Zheng, Z., Chen, Z., Hu, F., Zhu, J., Tang, Q., et al. Automatic diagnosis of arrhythmias using a combination of CNN and LSTM technology. Electronics. 9 (1), 121(2020).
- Isin, A., Ozdalili, S. Cardiac arrhythmia detection using deep learning. Procedia Comput Sci. 120, 268-275 (2017).
- Huang, J., Chen, B., Yao, B., He, W. ECG arrhythmia classification using STFT-based spectrogram and convolutional neural network. IEEE Access. 7, 92871-92880 (2019).
- Wang, T., Lu, C., Sun, Y., Yang, M., Liu, C., et al. Automatic ECG classification using continuous wavelet transform and convolutional neural network. Entropy. 23 (1), 119(2021).
- Panneerselvam, R., et al. Multimodal skin cancer prediction: Integrating dermoscopic images and clinical metadata with transfer learning. Open Bioinforma J. 18, e18750362358444(2025).
- Xiong, W., Zhang, G., Yan, D., Cao, L., Huang, X., et al. Multichannel feature fusion network-based technique for heart sound signal classification and recognition. Expert Syst Appl. 273, 126839(2025).
- Jin, J., Zhu, J., Zhao, L., Chen, L., Gong, J. A robust predefined-time convergence zeroing neural network for dynamic matrix inversion. IEEE Trans Cybern. 53, 3887-3900 (2022).
- Zhu, Y., Zhang, Q., Wang, Y., Liu, W., Zeng, S., et al. Identification of necroptosis and immune infiltration in heart failure through bioinformatics analysis. J Inflamm Res. 18, 2465-2481 (2025).
- Zhang, Y., Li, X., Chen, Z., Wang, H., Liu, C., et al. Multichannel feature fusion–based deep learning framework for electrocardiogram arrhythmia classification. IEEE Trans Neural Syst Rehabil Eng. 31, 4287-4297 (2023).
- Kumar, A., Singh, R., Sharma, P., Verma, S., Gupta, N. Application of machine learning and deep learning techniques for toxicity prediction and safety assessment. J Appl Toxicol. 45 (3), 423-437 (2025).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
הדפסות חוזרות והרשאות
בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה
בקש הרשאה