מאמר שיטה

תקנון אוטומטי של אלקטרוקרדיוגרמות 12-עופרת (ECG) ו-WaveForm DataBase (WFDB): תובנות מנתונים קליניים וייטנאמיים

DOI:

10.3791/70359

⸱

13 במרץ 2026

 ,  ,  , 
1Faculty of Mechanical Engineering, Saigon Technology University, 2Faculty of Information Technology, Industrial University of Ho Chi Minh City, 3Faculty of Information Technology, FPT University

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כאן, אנו מציגים פרוטוקול שניתן לשחזור להמרת תמונות ECG של 12 לידים מדוחות קליניים מהעולם האמיתי לאותות דיגיטליים מכוילים התואמים ל-WFDB לניתוח סטנדרטי במורד הזרם, שילוב כיול רשת, מיקום עופרת מבוסס YOLOv12, חילוץ גל (Viterbi או קו מרכז משופר) ונקודות בדיקה לאימות חזותי.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מרפאות רבות עדיין מאחסנות אלקטרורדיוגרפיות (ECG) עם 12 עופרות כרשומות נייר מודפסות או תמונות רסטר המוטמעות, מה שמגביל את האינטרופרביליות ואת הניתוח החישובי במורד הזרם. כאן אנו מציגים פרוטוקול דיגיטציה שניתן לשחזור שממיר תמונות דוחות ECG לאותות דיגיטליים תואמי WaveForm DataBase (WFDB) לשימוש סטנדרטי במורד הזרם. הפרוטוקול כולל (i) זיהוי רשת וכיול פיקסל-לפיזיקה, (ii) לוקליזציה אוטומטית ותיוג של 12 האזורים המובילים באמצעות מודל זיהוי אובייקטים, (iii) עיבוד מוקדם ונירמול אותות, ו-(iv) חילוץ גל באמצעות שיטת מסלול מוגבלת רציפות (Viterbi) או גישה משופרת מבוססת קו מרכזי. תהליך העבודה מיועד להתמודד עם פריסות קליניות הטרוגניות, נראות רשת משתנה וארטיפקטים נפוצים של דימות, וכולל נקודות ביקורת ויזואליות לבקרת איכות בכל שלב. הפרוטוקול מפיק רשומות WFDB עם 12 לידים מיושרות זמן, המתאימות לניתוח שכפול בצינורות עיבוד אותות ולמידת מכונה.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ה-ECG עם 12 עופרות הוא אבן יסוד בהערכה קרדיווסקולרית ועדיין בשימוש נרחב לסקר, ניטורוקבלת החלטות קליניות. למרות מאמצי הדיגיטציה המתמשכים, מוסדות רבים עדיין מאחסנים ECG כרשומות נייר מודפסות או תמונות רסטריות המוטמעות, מה שמפחית את אפשרויות החיפוש ומסבך את המעקב לאורך זמן2. חשוב לציין שאחסון מבוסס תמונה מונע שימוש ישיר בערכות כלים סטנדרטיות של ECG ובצנרת למידת מכונה שדורשים אותות סדרת זמן מכוילים במקום תמונות3. המטרה הכוללת של פרוטוקול זה היא לספק שיטה שניתנת לשחזור וסטנדרטית להמרת תמונות אלקטרוקרדיוגרמה לאותות דיגיטליים מכוילים המתאימים לניתוח חישובי במורד הזרם.

דיגיטציה אוטומטית של ECG שואפת לשחזר אותות מתח-זמן מתמונות ECG סרוקות4. עם זאת, סריקות ECG קליניות במציאות מציגות לעיתים פריסות דוחות הטרוגניות, נראות רשת משתנה, ארטיפקטים של דחיסה, תאורה לא אחידה וסימונים נוספים כגון חותמות או הערות5. גורמים אלו עלולים לפגוע בלוקליזציה של עופרת ומעקב אחר צורות גל, ולהגביל את השחזוריות בין מוסדות וספקי מכשירים6. לכן, תהליך דיגיטציה מעשי צריך לספק כיול רשת חזק, הפרדה ותיוג מובילים אמינים, וייצוא סטנדרטי לפורמט אות מאומץ כמו WFDB7. פורמטים דיגיטליים סטנדרטיים משפרים את האינטרופרביליות בין מוסדות ומאפשרים ניתוח שניתן לשחזר באמצעות ספריות עיבוד אותות אלקטרוקרדיוגרפיות מבוססות.

הוצעו מספר כלים לדיגיטציה של א.ק.ג (טבלה 1), אך הפריסה הקלינית נותרה מאתגרת משום שהביצועים רגישים לאיכות הסריקה ולשונות בפריסה 8,9,10. מחקרים אחרונים חקרו גם חילוץ אוטומטי של עופרת מרשומות נייר ECG באמצעות למידה עמוקה, מה שהדגיש עוד יותר את הצורך בניתוח חזק תחת פריסות וארטיפקטים מגוונים11. תוכנות דיגיטציה קשורות הוצגו גם הן לשיפור החוסן בתנאים קליניים הטרוגניים12. במקביל, הוכנסו ערכות כלים ומשאבים פתוחים למחקר תמונת ECG כדי להקל על פיתוח שיטות ובנצ'מרקינג13. בניגוד לכלי דיגיטציה קיימים שעשויים להיות רגישים לשונות בפריסה או מוגבלים לפורמטי סריקה ספציפיים, פרוטוקול זה משלב כיול רשת, לוקליזציה אוטומטית של לידים וייצוא WFDB סטנדרטי לשיפור החוסן בדוחות קליניים הטרוגניים. בעבודה זו, אנו מתמקדים בצינור מקצה לקצה שמכוון לקבצי PDF של ECG אמיתיים ורשומות סרוקות, מדגיש שחזוריות, ומפיק אותות רב-מובילים התואמים ל-WFDB לניתוח במורד הזרם.

אנו מציעים פרוטוקול אוטומטי וניתן לשחזור מלא להמרת תמונות דוחות ECG עם 12 לידים לאותות דיגיטליים תואמי WFDB. הפרוטוקול משלב (i) כיול פיקסל-פיזי מבוסס רשת באמצעות הגדרות ECG סטנדרטיות (25 mm·s-1, 10mm·mV-1), (ii) לוקליזציה מבוססת YOLOv12 של אזורי הובלה ואייקונים לתמיכה בזיהוי עופרת חזק בפריסות דוח הטרוגניות, ו-(iii) שתי הליכי חילוץ גל חלופיים, כולל שיטת מרכז משופרת שנועדה לשפר את רציפות העקבות תחת עובי קו משתנה והפרעות קטנות. רכיבים אלו תואמים לעבודות קודמות על חילוץ אותות, תוכנות דיגיטציה חזקות ואסטרטגיות דיגיטציה מעשיות בתנאים קליניים הטרוגניים14. רשומות WFDB שמתקבלות מאפשרות ניתוח במורד הזרם באמצעות שרשראות כלים סטנדרטיות של ECG. פרוטוקול זה מתאים במיוחד לדיגיטציה רטרוספקטיבית של דוחות אלקטרוקרדיוגרפיה מאוחסנים כרשומות נייר סרוקות או קבצי PDF רסטריים, וייתכן שיידרש התאמה כאשר קווי הרשת חסרים או מעוותים מאוד.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

לקבל אישור מוועדת האתיקה (מועצת הביקורת המוסדית) מבית החולים טאם דוק (זיהוי פרוטוקול: 24751791) לפני איסוף נתונים רטרואקטיבי. הסרת זיהוי כל דוחות ה-ECG לפני הניתוח על ידי הסרת מזהים ישירים (כגון שם המטופל, מספר תיק רפואי, תאריך לידה ותאריך ביקור) והחלפתם במזהה מחקר שאינו מזהה. השתמש רק בנתוני ECG שלא מזוהים לפיתוח והערכה של המודלים.

1. הכנת חומרים, תוכנה וקלטים

  1. שכפל את מאגר הפרויקט ואמת את מבנה התיקיות, כולל קווי בסיס/, core_binary/, data/, evaluation/, outputs/, public/, results/, weight/, wrapper/, יחד עם README.md ו-requirements.txt (ראו זמינות נתונים).
    1. צור (או אמת) תיקיות משנה בזמן ריצה תחת data/ ופלטים/, כולל data/raw_pdf/, data/raw_scans/, פלט/תמונות/, פלט/מעובד מראש/, פלט/מכויל/, פלט/yolo_boxes/, פלט/lead_crops/, פלט/מסכות/, פלט/עקבות/, פלט/signals_csv/, ופלט/wfdb/.
  2. התקן תלותיות תוכנה נדרשות (Python, OpenCV, NumPy/SciPy, PyTorch, Ultralytics (מסגרת אימון/הסקה YOLOv12) /YOLO, ו-WFDB) וגרסאות מסמכים ברשימת החומרים (ראו טבלת חומרים).
  3. הכניסו את קלטי ה-ECG ל-data/raw_pdf/ (דוחות PDF) או ל-data/raw_scans/ (סריקות נייר).
  4. סרוק ECG על נייר בגווני אפור ב-300 dpi והשאיר את העמוד שטוח כדי למנוע עיוות פרספקטיבה (ראו טבלת חומרים).
    הערה: השתמשו במהירות וברווח הנייר המדווחים בהדפסת ה-ECG כאשר הם זמינים (למשל, 25 מ"מ·שנייה⁻1, 10 מ"מ·מ·מ"V⁻1), בהתאם לשלב הכיול בתהליך העבודה הכולל (ראו איור 1).

2. המרת קבצי PDF של ECG לתמונות

  1. המר כל עמוד PDF של ECG לתמונה בגווני אפור ב-300 dpi.
  2. שמור כל עמוד כ-.png (מועדף) או .tiff עם דחיסה מינימלית כדי לשמור על קווי רשת ופרטי גל.
  3. אחסן תמונות מיוצאות בפלטים/תמונות/ ושמור על שמות קבצים עקביים בכל שלבי הצינור (ראו איור 2 לפריסת קלט מייצגת).

3. עיבוד מוקדם של תמונות ECG (ניגודיות ורעש)

  1. מרח CLAHE כדי להעצים קווי רשת חלשים וניגודיות גל.
  2. יש להחיל טשטוש גאוסי קל כדי להפחית רעש בתדר גבוה תוך שמירה על קצוות צורת הגל.
  3. חתוך שוליים שחורים גדולים תוך שמירה על כל אזור התוכן של הא.ק.ג.
  4. סובב את התמונה לכיוון זקוף אם הסריקה/ייצוא מסובב.
  5. שמור פלטים מעובדים מראש לפלטים/מעובדים מראש/.
  6. בדוק ויזואלית תת-קבוצה של פלטים ווודא שקווי רשת ומעקבים נשארים קריאים (ראו איור 2).
    זהירות: הימנעו מהחלקה אגרסיבית ששוברת קטעי גל דקים.

4. זיהוי ריווח רשת וכיול קנה מידה (פיקסל → מ"מ)

  1. זיהוי ריווח רשת באמצעות זיהוי קווי Hough עבור קווי רשת אנכיים/אופקיים.
  2. הערך את המרחק הממוצע בין קווי רשת סמוכים (פיקסלים) ואחסן את ערך הריווח ברשת.
  3. אם זיהוי קווי Hough נכשל, יש להעריך את הריווח באמצעות ניתוח פורייה של הקרנות שורה/עמודה.
  4. אם ניתוח פורייה נכשל עבור רשתות מקווקוות, יש להעריך את הריווח באמצעות זיהוי מעגל האף (או מחזוריות נקודות).
  5. אם כל גלאי הרשת נכשלו, קבע ערך ריווח גיבוי (למשל, 59 פיקסלים) וסמן את הרשומה לבדיקה.
  6. חשב את ההמרה מפיקסל למ"מ באמצעות המרווח המזוהה ותקן נייר ה-ECG (למשל, 25 מ"מ·שניות⁻1 ו-10 מ"מ·מ"מ וולט⁻1; ראו איור 1).
  7. שינוי גודל התמונה באמצעות אינטרפולציה ביקובית כדי לנרמל את הסקאלה בין רשומות.
  8. שמור תמונות מכוילות ליציאות/מכוילות/ושמור יומני כיול לפי רשומה.
    הערה: יש לעיין בקובץ המשלים 1 (אלגוריתם 1) לקוד פסאודו-מימושי של זיהוי ריווח ברשת וכיול פיקסל-לפיזיק.

5. לוקליזציה של אזורים עם 12 עופרות באמצעות YOLOv12

  1. טעין את מודל YOLOv12 המאומן לזיהוי אזור עופרת (ראו טבלה 2 לפרמטרי אימון).
    1. השתמש במימוש מסגרת ההדרכה/הסקה YOLOv12 ללא שינויים ארכיטקטוניים כדי לזהות ולהפריד את 12 האזורים המובילים בכל תמונת ECG לדיגיטציה במורד הזרם (ראו איור 1).
  2. הרץ הסקה על כל תמונה מכויילת לפי גודל ההסקה המוגדר (למשל, imgsz = 1024).
  3. יש להחיל דיכוי לא מקסימלי ולשמור על תיבת הגבול בעלת הביטחון הגבוה ביותר לכל מחלקת לידים.
  4. ייצוא תיבות הגבול לפלט/yolo_boxes/ בפורמט שניתן לשחזור (TXT/CSV/JSON).
  5. שמור תמונות שכבה המציגות תיבות ותוויות חזויות לאזור ליד לאימות (ראו איור 3 ואיור 4).
  6. סמן רשומות עם לידים חסרים, לידים כפולים או פריסה לא עקבית, והוציא אותן מייצוא אוטומטי במידת הצורך.
    הערה: עיין בקובץ המשלים 1 (אלגוריתם 2) לקוד פסאודו-קוד של חילוץ אזורי עופרת מבוסס YOLOv12 ועיבוד פוסט-קופסאות.

6. לוקליזציה של אייקוני עופרת באמצעות YOLOv12

  1. טען את מודל YOLOv12 המאומן לזיהוי עופרת-אייקון (ראו טבלה 2 לפרמטרי אימון).
    1. השתמש באותו יישום של מסגרת אימון/הסקה YOLOv12 ללא שינויים ארכיטקטוניים כדי לזהות אייקונים של מובילים לזיהוי מוביל חזק בפריסות הטרוגניות (ראו איור 1).
  2. הרץ הסקה על כל תמונה מכוילה באמצעות גודל ההסקה והספים המוגדרים בטקסט הראשי.
  3. הפעילו דיכוי לא מקסימלי ושמרו על תיבת הגבול הגבוהה ביותר לכל מחלקת לידים-אייקון.
  4. ייצוא תיבות הגבלה עם אייקון מוביל לפלט/yolo_boxes/ בפורמט שניתן לשחזור (TXT/CSV/JSON).
  5. שמור תמונות שכבות המציגות תיבות מוביל-אייקון ותוויות מחלקות צפויות לאימות (ראו איור 5 ואיור 6).
  6. העריך את ביצועי זיהוי אייקוני הליד ודווח על תוצאות כמותיות והגדרות מדדים (ראו טבלה 5 וטבלה 6).
  7. השוו זיהוי אזורים מובילים וזיהוי אייקון מוביל תחת אותו פרוטוקול הערכה וקונבנציה של דיווח בזמן ריצה.

7. גידול כל אזור עופרת וסטנדרטיזציה של הגידולים

  1. גזור כל אזור מוביל מהתמונה המכויילת באמצעות קואורדינטות הקופסאות החזויות.
  2. גידולי הפדים מגיעים לגודל אחיד כאשר אזורי העופרת משתנים בין הפריסות השונות.
  3. שמור תמונות חתוכות לפלט/lead_crops/ באמצעות שיטת השמות: recordID_leadName.png.
  4. ודאו שכל 12 הלידים קיימים לכל רשומה לפני חילוץ גל (ראו טבלה 3 וטבלה 4).

8. יצירת מסכת אות בינארית לכל חיתוך עופרת

  1. נרמל כל עופרת עופרת עופרת לטווח עוצמה של 8 ביט.
  2. הפעילו סף אדפטיבי (או סף אוטסו) כדי להפריד בין מסלול הגל לקווי רקע/רשת.
  3. הפעילו ניקוי מורפולוגי (למשל, פתיחה/סגירה) כדי לדכא ארטיפקטים שנותרו של הרשת.
  4. גשר על פערים קטנים בעקבות באמצעות אינטרפולציה או מילוי מבוסס קישוריות.
  5. שמור את המסכה הבינארית הסופית לפלטים/מסכות/ ווודא את איכות המסכה בדגימות מייצגות (ראה איור 7).
    הערה: יש לעיין בקובץ המשלים 1 (אלגוריתם 3) לפרטי יצירת מסכות באזור ליד כאשר משתמשים במסכה מונחית תיבת גבולות.

9. חילוץ עקבות גל (בחר או חילוץ מסלול מבוסס Viterbi או חילוץ קו מרכזי משופר).

  1. חילוץ עקבות גל באמצעות חילוץ מסלול מבוסס ויטרבי
    1. חשב מפת עלות על המסכה הבינארית שמענישה אי-רציפות ומעדיפה פיקסלים דמויי עקבות.
    2. הרץ פענוח Viterbi כדי לקבל מסלול מוגבל על ידי רציפות דרך הגידול המוביל.
    3. החליק את המסלול המופק ואינטרפולציה של מקטעים חסרים כשצריך.
    4. שמור קואורדינטות מסלול לפלטים/עקבות/ושמור גרפים שכפיים לאימות (ראו איור 8).
      הערה: עיין בקובץ המשלים 2 (אלגוריתם 4) לקוד פסאודו-קוד של חילוץ ווויזואליזציה מבוסס ויטרבי.
  2. חילוץ עקבות גל באמצעות חילוץ קו מרכזי משופר
    1. שלד את המסכה הבינארית כדי לקבל מועמד לקו מרכזי.
    2. הסר ענפים מזויפים ורכיבים מבודדים הנגרמים מרעש הרשת.
    3. החליק את קו המרכז ואכיפת רצף משמאל לימין.
    4. אינטרפולציה של מקטעים קצרים חסרים כדי לשמור על רציפות צורת הגל.
    5. כוונון פרמטרים ספציפיים למאגר הנתונים (למשל, ספי בינריזציה, גדלי גרעין מורפולוגיים, אורך גיזום, חוזק החלקה, ומגבלות אינטרפולציה בין פערים) כדי למקסם את המשכיות קו המרכז בתנאי הדמיה של מאגר הנתונים המחקרי.
    6. שמור קואורדינטות קו המרכז לפלטים/עקבות/ ושמור גרפים אוברליידים לאימות (ראו איור 9).
      הערה: השתמש בעיקרון מרכזי סטנדרטי המבוסס על שלד ולשפר עמידות באמצעות כוונון פרמטרים ספציפיים למערך נתונים ועיבוד לאחר מכן; עיין בקובץ המשלים 2 (אלגוריתם 5) לחילוץ קו מרכזי, החלקה/אינטרפולציה, הגדרות פרמטרים וקוד פסאודו-אחסון.

10. המרת עקבות פיקסל לאותות מכוילים (mV לעומת זמן)

  1. המרו קואורדינטות py-y של פיקסל למתח באמצעות סולם רשת מכויל (10 מ"מ·מ·מ-וולט⁻1) ומיפוי פיקסל-ל-מ"מ.
  2. המרו קואורדינטות פיקסל x לזמן באמצעות סקאלה של רשת מכוייל (25 מ"מ·שניות⁻1) ומיפוי פיקסל-ל-מ"מ.
  3. דגם מחדש כל קצה לקצב דגימה קבוע (למשל, 100 הרץ) ויישר את כל 12 הלידים בזמן.
  4. שמור את אותות ה-12 כקבצי CSV בפלט/signals_csv/ עם שמות עמודות ויחידות עקביות.

11. ייצוא רשומות WFDB ואימות פלטים

  1. המרו כל CSV עם 12 לידים לרשומת WFDB באמצעות ספריית WFDB.
  2. כתוב את קובץ הכותרת .hea המכיל את שם הרשומה, קצב הדגימה, רווחי אות, קווי בסיס ושמות מובילים.
  3. כתוב את קובץ האות .dat באמצעות טיפוס מספרי עקבי (למשל, 16 ביט) וקונבנציה יחידה (למשל, μV).
  4. טענו מחדש כל רשומת WFDB וגרמו את כל 12 הלידים לאישור סדר הלידים, שמות ויישור הזמן (ראו איור 10).
  5. שמור את הפלטים הסופיים של WFDB לפלטים/wfdb/ ושמור גרפים של אימות (validation).
    הערה: עיין בקובץ המשלים 3 (אלגוריתם 7) לפרטי המרה מ-CSV ל-WFDB וכתיבת הערות אופציונליות כאשר מטא-דאטה זמינים.

12. נקודות ביקורת ופתרון תקלות

  1. דחה או סמן כל רשומה עם כיול רשת לא אמין, לידים חסרים או סתירות חמורות.
  2. הרץ מחדש עיבוד מוקדם וכיול עם פרמטרים מותאמים לרשומות מסומנות.
  3. הרץ מחדש את הזיהוי עם סף הביטחון/IoU המעודכן כאשר פספסו לידים.
  4. סיכם מצבי כישלון וקריטריוני החרגה בטבלת תוצאות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

הכנת קלט
דוחות ECG הומרו בהצלחה מקבצי PDF או סריקות לתמונות סטנדרטיות, מיושרות צירים, המתאימות לעיבוד במורד הזרם. ל-ECG מנייר, הסריקות נרכשו ב-300 dpi בגווני אפור ונשמרו כ-PNG/TIFF כדי להפחית ארטיפקטים של דחיסה. הבעיות הנפוצות ביותר בקלט היו (i) דחיסה מופרזת מייצוא PDF, (ii) חיתוך חלקי שהסיר אזורים או תוויות עופרת, ו-(iii) עיוות פרספקטיבה בתמונות בסמארטפון. רשומות שנפגעו מחיתוך או עיוות חמור סומנו במהלך נקודות הביקורת הוויזואליות והוצאו מעיבוד אוטומטי מלא אלא אם כן תו...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה מציג צינור אוטומטי מקצה לקצה שממיר תמונות ECG עם 12 לידים מקבצי PDF או רשומות נייר סרוקות לאותות דיגיטליים תואמי WFDB באמצעות כיול רשת, לוקליזציה מבוססת YOLOv12, וחילוץ גל באמצעות חיפוש נתיבי Viterbi או שיטת מרכזמשופרת 1. הפרוטוקול כולל נקודות בדיקת אימות (שכבות תיבות הגבול, שכבות עקבות, וגרפים של WFDB reload) לתמיכה באבטחת איכות במהלך הדיגיטציה.

המרת תמונות ECG לאותות סדרת זמן סטנדרטיים משפרת את האינטרופרביליות עם שרשראות כלים ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

למחברים אין אינטרסים פיננסיים מתחרים או מערכות יחסים אישיות שיכלו להיראות כמשפיעות על העבודה המדווחת במאמר זה.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מודים לבית החולים טאם דוק על מתן דוחות ECG ללא זיהוי ועל התמיכה המוסדית במהלך איסוף הנתונים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
GPU (בדיקות בזמן ריצה)NVIDIAGeForce RTX 3060 12GBNVIDIA GeForce RTX 3060 12GB משמש לבדיקות ריצה
NumPyNumPy1.26.4עיבוד מספרי
OpenCVOpenCV4.10.0.84עיבוד תמונה מראש (deskew, סינון)
מערכת הפעלה (בדיקות בזמן ריצה)מיקרוסופטWindows 11Windows 11 המשמש לבדיקות ריצה
ממיר PDF לתמונהפרוטוקול זהV1רסטריזציה של PDF ב-300 DPI; provide כתובת מאגר בזמינות נתונים
פייתוןקרן התוכנה של פייתון3.12.5סביבת ריצה
פייטורץ'פייטורץ'0.5.0הצד האחורי של YOLOv12
סורקקאנוןDR-C240מומלץ 300 DPI, גווני אפור, PNG/TIFF
סקיקיט-אימג'סקיקיט-אימג'0.25.0שלד ומורפולוגיה (קו מרכז)
אולטרליטיקהאולטרליטיקה8.3.155מסגרת ההדרכה/הסקה YOLOv12
wfdb (חבילת פייתון)PhysioNet4.1.2ייצוא WFDB (.hea/.dat)

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Muhammet, A., Fani, D., Christos, A., Idris, Z., Gruschen, R. V. Digitization and Linkage of PDF Formatted 12-Lead Electrocardiograms in Adult Congenital Heart Disease. CJC Pediatric and Congenit Heart Dis. 4 (5), 263-273 (2025).
  2. Baydoun, M., et al. High precision digitization of paper-based ECG records: A step toward smart machine learning. IEEE J Transl Eng Health Med. 7, 1-8 (2019).
  3. Demolder, A., et al. High precision ECG digitization using artificial intelligence. Biomed Signal Process Control. 72, 103331(2024).
  4. Prim, J., et al. A data pipeline for extraction and processing of electrocardiogram recordings. Comput Cardiol. 48, 1-4 (2021).
  5. Rautela, D., Bajeli, D., Kumar, M., Vaidya, A. Identifying cardiovascular disorders through ECG image analysis. Knowl-Based Syst. 186, 104925(2020).
  6. Reyna, M. A., et al. ECG-Image-Database: A dataset of ECG images with real-world imaging and patient annotations. arXiv. , (2024).
  7. Ribeiro, H., et al. Automatic 12-lead ECG classification using a convolutional network ensemble. Comput Cardiol. 47, 1-4 (2020).
  8. Jessy, K. S. J., Manikandan, D. G., Hemalatha, M. S., Veroncia, M. V. Detection of cardiovascular disease using ECG images in machine learning and deep learning. Int J Sci Res Sci Technol. 11, 131-139 (2024).
  9. Digitization of ECG records using signal extraction techniques. Karnaschandani, H., et al. 2024 Second International Conference on Data Science and Information System (ICDSIS), Hassan, India, , 1-8 (2024).
  10. Nguyen, C. V., Nguyen, H. N., Nguyen, D. A., Do, C. D. VinDigitizer: An image processing approach to digitize paper ECG records. Comput Cardiol. 51, 1-4 (2024).
  11. Patil, R., Narkhede, R. D., Vama, B., Suraliya, S., Raut, S. R. Auto lead extraction in ECG images: Identification of ECG paper records using deep learning. Biomed Signal Process Control. 72, 103339(2024).
  12. Santamaría, F., et al. ECGMiner: A flexible software for accurately digitizing ECG. Comput Methods Programs Biomed. 246, 108053(2024).
  13. Shivashankara, K. K., et al. An open ECG-image toolkit: ECG-ImageNet – an open image generation toolbox to facilitate deep learning-based electrocardiogram digitization. Biomed Signal Process. Control. 72, 103342(2024).
  14. Wang, L. H., et al. Paper-recorded ECG digitization method with automatic reference voltage selection for telemonitoring and diagnosis. Diagnostics. 14 (17), 1910(1910).
  15. Wang, T., Zhang, Y., Liu, X., Huang, Z., Qin, F. Automatic Detection of Arrhythmias Using a YOLO-Based Network with Long-Duration ECG Signals. Eng Proc. 2 (1), 84(2020).
  16. Wu, H., et al. A fully automated paper ECG digitisation algorithm using deep learning. Sci Rep. 12, 25284(2022).
  17. Júnior, O., et al. An automated machine learning method to efficiently classify the 12-lead ECG signal acquisition quality. Computing in Cardiology. 50, 1-6 (2023).
  18. Lence, A., et al. ECGtizer: A fully automated digitizing and signal recovery pipeline for electrocardiograms. arXiv. , (2024).
  19. Büyüksolak, O., Öksüz, İ Pic2Diagnosis: A Method for Diagnosis of Cardiovascular Diseases from the Printed ECG Pictures. Proc. IEEE EMBC. , (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

תגיות

ECG 12
הסרטון יגיע בקרוב

מאמרים קשורים