Modello di trasformatore di rete neurale convoluzionale per prevedere e classificare l'aritmia precoce utilizzando il segnale dell'elettrocardiogramma

Summary

Il modello sviluppato mira a classificare le aritmie precoci nelle classi N, L, R, V e A. In questo caso, tutti i set di dati vengono combinati per creare un set di dati principale, che il modello utilizza come input per produrre diverse classi di aritmia come output.

Abstract

Essendo una delle principali cause di morte in tutto il mondo, le malattie cardiovascolari, in particolare le aritmie, richiedono la creazione di tecnologie precise e automatizzate per la diagnosi e il rilevamento precoce. Per identificare le aritmie dai segnali dell'elettrocardiogramma (ECG), questo articolo introduce un modello di classificazione basato sul deep learning che si concentra su cinque tipi principali di battito cardiaco: normale (N), blocco di branca sinistra (L), blocco di branca destra (R), battito prematuro atriale (A) e contrazione ventricolare prematura (V). Sfruttiamo i segnali di derivazione I provenienti da diverse fonti, come i database INCART a 12 derivazioni, Holter per morte cardiaca improvvisa, Aritmia sopraventricolare e MIT-BIH, producendo oltre 3,9 milioni di segmenti di formazione e 112.575 test.

Esempi di preparazione dei dati includono 180 campioni, segmentazione a finestra fissa, normalizzazione Min-Max e bilanciamento delle classi con la tecnica di sovracampionamento delle minoranze sintetiche (SMOTE). L'architettura ibrida utilizza i livelli Transformer per modellare le dipendenze temporali e le reti neurali convoluzionali (CNN) 1D per estrarre le caratteristiche spaziali. L'ottimizzatore Adam con dropout e normalizzazione batch per la regolarizzazione addestra il modello.

Il sistema proposto supera il modello TN4 e altri benchmark all'avanguardia, raggiungendo il 99,99% di accuratezza, precisione e punteggio F1 in tutte le classi. La robustezza delle funzionalità è ulteriormente migliorata applicando architetture ibride profonde e reti neurali convoluzionali, che sono state motivate da studi precedenti. Il paradigma suggerito fa progredire l'assistenza sanitaria digitale individualizzata e basata sull'intelligenza artificiale ed è molto promettente per l'identificazione scalabile e in tempo reale delle aritmie.

Introduction

Secondo l'Organizzazione Mondiale della Sanità (OMS)¹, le malattie cardiovascolari rimangono uno dei principali problemi di salute a livello globale, responsabili di quasi il 31% dei decessi in tutto il mondo ogni anno. Un sottoinsieme significativo di questi casi riguarda aritmie-irregolarità nel ritmo cardiaco che possono variare da benigne a pericolose per la vita. Le aritmie sono spesso caratterizzate da tempi irregolari. Queste interruzioni contribuiscono in modo sostanziale alla morbilità e alla mortalità dei pazienti, aumentando il rischio di gravi problemi di salute come ictus, insufficienza cardiaca e ....

Protocol

1. Acquisizione di set di dati

1. Acquisisci set di dati di elettrocardiogramma (ECG) disponibili al pubblico per sviluppare e convalidare il modello di deep learning per la classificazione delle aritmie⁷.
2. Combina i set di dati Lead-I dal database delle aritmie MIT-BIH, dal database delle aritmie sopraventricolari MIT-BIH, dal database delle aritmie a 12 derivazioni INCART di San Pietroburgo e dal database Holter della morte cardiaca improvvisa.
   NOTA: I set di dati vengono scelti per la loro diversità nei dati demografici dei pazienti e nei tipi di aritmia, garantendo che il modello possa generalizzare su ....

Results

Metriche di performance del modello proposto
L'accuratezza, la sensibilità, la specificità e il punteggio F1 del modello proposto sono calcolati per ciascuna classe di aritmia. Le prestazioni del modello vengono valutate sul MIT-BIH e su altri database ECG pertinenti. I risultati principali sono riassunti come segue:

Accuratezza: il modello ibrido CNN-Transformer ha raggiunto un'accuratezza del 99,32% sul set di dati MITDB e del 97,15% sui database combinati, dimostrando la.......

Discussion

I risultati di questo studio indicano che il modello ibrido CNN-Transformer classifica abilmente le aritmie ECG con elevata accuratezza, sensibilità, specificità e punteggio F1, superando notevolmente i modelli convenzionali solo CNN e CNN-LSTM. L'incorporazione di strati Transformer ha migliorato la capacità del modello di catturare le dipendenze temporali, un elemento cruciale dell'analisi ECG. Inoltre, le trasformazioni wavelet continue (CWT) forniscono ampie caratteristiche tempo-fre.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Sistema			(per l'addestramento) Processore: AMD Ryzen 7 7840HS, CPU RAM: 16 GB, GPU RAM: 6 GBNVIDIA GeForce RTX 3050
pacchetto python di apprendimento			utilizzato per il ricampionamento
pytorch			PyTorch è un pacchetto Python che fornisce due funzionalità di alto livello: - Calcolo tensoriale (come NumPy) con forte accelerazione GPU - Reti neurali profonde costruite su un Seaborn
			Seaborn è una libreria di visualizzazione Python basata su matplotlib.
WFDB			utilizzato per leggere, scrivere, elaborare e tracciare segnali fisiologici e dati di annotazione