Convolutional Neural Network-Transformer Model to Predict and Classify Early Arrhythmia Using Electrocardiogram Signal(심전도 신호를 이용한 초기 부정맥 예측 및 분류를 위한 Convolutional Neural Network-Transformer Model)

Summary

개발된 모델은 초기 부정맥을 N, L, R, V 및 A 등급으로 분류하는 것을 목표로 합니다. 여기에서 모든 데이터 세트가 결합되어 주요 데이터 세트를 생성하며, 모델은 이를 입력으로 사용하여 서로 다른 부정맥 클래스를 출력으로 생성합니다.

Abstract

전 세계적으로 주요 사망 원인인 심혈관 질환, 특히 부정맥은 조기 진단 및 감지를 위해 정확하고 자동화된 기술을 개발해야 합니다. 심전도(ECG) 신호에서 부정맥을 식별하기 위해 본 논문에서는 정상(N), 좌측 다발 분지 블록(L), 우측 다발 분지 블록(R), 심방 조기 박동(A), 조기 심실 수축(V)의 5가지 주요 심장 박동 유형에 초점을 맞춘 딥 러닝 기반 분류 모델을 소개합니다. INCART 12-lead, Sudden Cardiac Death Holter, Supraventricular 및 MIT-BIH Arrhythmia 데이터베이스와 같은 여러 소스의 Lead I 신호를 활용하여 390만 개 이상의 교육과 112,575개의 테스트 세그먼트를 산출합니다.

데이터 준비의 예로는 180 샘플, 고정 윈도우 세분화, 최소-최대 정규화 및 SMOTE(Synthetic Minority Over-sampling Technique)를 사용한 클래스 밸런싱이 있습니다. 하이브리드 아키텍처는 트랜스포머 레이어를 사용하여 시간적 종속성을 모델링하고 1D CNN(Convolutional Neural Network)을 사용하여 공간 기능을 추출합니다. 정규화를 위한 드롭아웃 및 배치 정규화를 사용하는 Adam 옵티마이저는 모델을 훈련시킵니다.

제안된 시스템은 TN4 모델 및 기타 최첨단 벤치마크를 능가하여 모든 클래스에서 99.99%의 정확도, 정밀도 및 F1 점수를 달성합니다. 기능의 견고성은 이전 연구에서 동기를 부여받은 심층 하이브리드 아키텍처와 컨볼루션 신경망을 적용하여 더욱 개선되었습니다. 제안된 패러다임은 인공 지능 기반의 개별화된 디지털 헬스케어를 발전시키고 확장 가능한 실시간 부정맥 식별에 대한 큰 가능성을 가지고 있습니다.

Introduction

세계보건기구(^WHO)에 따르면 심혈관 질환(CVD)은 전 세계적으로 가장 큰 건강 문제 중 하나로, 매년 전 세계 사망자의 약 31%를 차지합니다1. 이러한 사례의 상당 부분은 부정맥-심장 리듬의 불규칙성과 관련이 있으며, 이는 양성에서 생명을 위협하는 것까지 다양합니다. 부정맥은 종종 불규칙한 시간으로 표시됩니다. 이러한 중단은 환자의 이환율과 사망률에 크게 기여하여 뇌졸중, 심부전 및 갑작스러운 심정지와 같은 심각한 건강 문제의 위험을 높입니다. 따라서 부정맥을 조기에 식별하고 정확하게 분류하는 것은 환자 결과를 개선하고, 의료 비용을 관리하고, 심장 치료의 질을 향상시키는 데 매우 중요합니다².

심전도(ECG)는 부정맥을 감지하기 위한 핵심 비침습적 진단 도구로 남아 있습니다. ECG는 심장의 전기적 활동을 시각적 파형으로 캡처함으로써 임상의가 특정 부정맥 패턴을 가리킬 수 있는 미묘한 변화를 식별할 수 있도록 합니다³. 그러나 ECG 신호를 수동으로 해석하는 것은 시간이 많이 걸리고 실무자 간의 개인차로 인해 변동성이 발생하기 쉬우므로 인적 오류의 ....

Protocol

1. 데이터셋 획득

1. 공개적으로 사용 가능한 심전도(ECG) 데이터셋을 획득하여 부정맥 분류를 위한 딥러닝 모델을 개발하고^{검증합니다 7}.
2. MIT-BIH 부정맥 데이터베이스, MIT-BIH 상심실 부정맥 데이터베이스, 상트페테르부르크 INCART 12 리드 부정맥 데이터베이스 및 급성 심장사 홀터 데이터베이스의 Lead-I 데이터 세트를 결합합니다.
   참고: 데이터 세트는 환자 인구 통계 및 부정맥 유형의 다양성을 고려하여 선택되므로 모델이 다양한 사례에 걸쳐 일반화될 수 있습니다. 각 데이터 세트는 다양한 하트비트 클래스를 포괄하는 고품질 주석이 달린 ECG 기록을 제공합니다. 리드 I 데이터만 추출되어 모든 데이터 세트에서 사용되어 입력을 표준화하고 일관성을 유지하며 진단적으로 가장 관련성이 높은 신호에 집중했습니다. 그림 1에서 볼 수 있듯이 Lead I은 오른팔(음극)과 왼팔(양극) 사이의 전위차를 측정하고 Lead II는 오른팔(음극)과 왼쪽 다리(양극) 사이의 전위차를 측정합니다. 표 1 은 4개의 데이터 세트를 결합하고 null 값을 제거하여 주 데이터 세트가 생성되었으며 파일 이름이 ....

Results

제안된 모델의 성능 메트릭
제안된 모델의 정확도, 민감도, 특이도 및 F1 점수는 각 부정맥 등급에 대해 계산됩니다. 모델의 성능은 MIT-BIH 및 기타 관련 ECG 데이터베이스에서 평가됩니다. 주요 결과는 다음과 같이 요약됩니다.

정확도: 하이브리드 CNN-Transformer 모델은 MITDB 데이터 세트에서 99.32%, 결합된 데이터베이스에서 97.15%의 정확도를 달성하여 다양한 ECG 소스에서 모델의 견고성을 입증했습니다¹⁹.

민감도 및 특이도: 이 모델은 97.75%의 민감도와 99.51%의 특이도를 나타내어 부정맥 및 비부정맥 사례를 각각 정확하게 식별하는 데 효과적임을 강조했습니다. 높은 민감도는 임상 진단에서 위음성을 최소화하는 데 특히 중요합니다.

기준선 모델을 사용한.......

Discussion

본 연구의 결과는 하이브리드 CNN-Transformer 모델이 기존의 CNN 전용 및 CNN-LSTM 모델을 현저히 능가하는 높은 정확도, 민감도, 특이도 및 F1 점수로 ECG 부정맥을 능숙하게 분류하는 것을 나타냅니다. 트랜스포머 레이어를 통합함으로써 ECG 분석의 중요한 요소인 시간적 종속성을 캡처하는 모델의 능력이 향상되었습니다. 또한 CWT(Continuous Wavelet Transformations)는 광범위한 시간-주파수 특성을 제공하여 CNN 계층이 부정맥 유형 간의 미묘한 파형 변화를 구별할 수 있도록 합니다. 이러한 결과는 ECG 데이터의 복잡성을 관리하는 데 있어 하이브리드 아키텍처의 효율성, 특히 부정맥 에피소드를 식별하는 데 효과적임을 강조합니다.

또한 이 모델은 다양한 데이터 세트에 걸쳐 놀라운 일반화 가능성을 보여주어 부정맥 분류 연구의 중요한 격차를 해결합니다. SMOTE와 같은 고급 전.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
컴퓨터 시스템			(교육용) 프로세서: AMD Ryzen 7 7840HS, CPU RAM:16GB, GPU RAM:6GB
			테이프 기반 autograd 시스템
seaborn			Seaborn은 matplotlib를 기반으로 하는 Python 시각화 라이브러리입니다.
생리학적 신호 및 주석 데이터 읽기, 쓰기, 처리 및 플로팅에 사용되는	WFDB