Convolutioneel neuraal netwerktransformatormodel om vroege aritmie te voorspellen en te classificeren met behulp van een elektrocardiogramsignaal

Summary

Het ontwikkelde model heeft tot doel vroege aritmieën te classificeren in N-, L-, R-, V- en A-klassen. Hier worden alle datasets gecombineerd om een hoofddataset te creëren, die het model gebruikt als input om verschillende aritmieklassen als output te produceren.

Abstract

Als een belangrijke doodsoorzaak wereldwijd, vereisen hart- en vaatziekten, met name aritmieën, de ontwikkeling van nauwkeurige en geautomatiseerde technologieën voor vroege diagnose en detectie. Om aritmieën uit elektrocardiogram (ECG)-signalen te identificeren, introduceert dit artikel een op deep learning gebaseerd classificatiemodel dat zich richt op vijf hoofdtypen hartslagen: normaal (N), linkerbundeltakblok (L), rechterbundeltakblok (R), atriale voortijdige slag (A) en voortijdige ventriculaire contractie (V). We maken gebruik van Lead I-signalen uit verschillende bronnen, zoals de INCART 12-afleidingen, Sudden Cardiac Death Holter, Supraventricular en MIT-BIH Arrhythmia-databases, wat meer dan 3,9 miljoen trainings- en 112.575 testsegmenten oplevert.

Voorbeelden van gegevensvoorbereiding zijn onder meer 180-sample, segmentatie met een vast venster, Min-Max-normalisatie en klassebalancering met de Synthetic Minority Over-sampling Technique (SMOTE). De hybride architectuur maakt gebruik van Transformer-lagen om tijdelijke afhankelijkheden te modelleren en 1D Convolutional Neural Networks (CNN's) om ruimtelijke kenmerken te extraheren. De Adam-optimizer met dropout en batchnormalisatie voor regularisatie traint het model.

Het voorgestelde systeem presteert beter dan het TN4-model en andere geavanceerde benchmarks, met een nauwkeurigheid, precisie en F1-score van 99,99% in alle klassen. De robuustheid van functies wordt verder verbeterd door diepe hybride architecturen en convolutionele neurale netwerken toe te passen, die werden gemotiveerd door eerdere studies. Het voorgestelde paradigma bevordert door kunstmatige intelligentie aangedreven, geïndividualiseerde digitale gezondheidszorg en is veelbelovend voor schaalbare, realtime identificatie van aritmieën.

Introduction

Hart- en vaatziekten (HVZ's) blijven wereldwijd een van de belangrijkste gezondheidsproblemen en zijn volgens de Wereldgezondheidsorganisatie (WHO)¹ verantwoordelijk voor bijna 31% van de sterfgevallen wereldwijd per jaar. Een belangrijke subset van deze gevallen betreft aritmieën-onregelmatigheden in het hartritme die kunnen variëren van goedaardig tot levensbedreigend. Aritmieën worden vaak gekenmerkt door onregelmatige tijden. Deze verstoringen dragen aanzienlijk bij aan de morbiditeit en mortaliteit van de patiënt, waardoor het risico op ernstige gezondheidsproblemen zoals beroerte, hartfalen en plotselinge hartstilstand toeneemt. Vroege identificatie en nauwkeurige classificatie van aritmieën zijn daarom cruciaal voor het verbeteren van de patiëntresultaten, het beheersen van de zorgkosten en het bevorderen van de kwaliteit van de hartzorg².

Elektrocardiografie (ECG) blijft een belangrijk niet-invasief diagnostisch hulpmiddel voor het detecteren van aritmieën. Door de elektrische activiteit van het hart vast te leggen als visuele golfvormen, stelt ECG clinici in staat om subtiele variaties te identificeren die kunnen wijzen op specifieke aritmische patronen³. Het handmatig interpreteren van ECG-signalen is echter tijdrovend en vatbaar voor variabiliteit als gevolg van individuele verschillen tussen beoefenaars, wat een marge van menselijke fouten introduceert. Deze uitdagingen worden vergroot bij het omgaan met uitgebreide datasets of het herkennen van genuanceerde aritmieën. Met de wereldwijde verschuiving naar digitale gezondheidszorg wordt de behoefte aan betrouwbare en geautomatiseerde diagnostische systemen die in staat zijn om consistente, real-time ECG-analyse te leveren steeds belangrijker.

Traditionele machine learning-modellen zijn met matig succes toegepast op ECG-analyse; Hun afhankelijkheid van handgemaakte functies en domeinspecifieke expertise brengt echter opmerkelijke beperkingen met zich mee. Om deze beperking aan te pakken, maakt het model gebruik van de Synthetic Minority Over-sampling Technique (SMOTE), die synthetische datapunten genereert voor ondervertegenwoordigde klassen, waardoor de dataset in evenwicht wordt gebracht en het vermogen van het model om te generaliseren over alle hartslagtypen wordt verbeterd. De integratie van SMOTE met ons deep learning-model verbetert de classificatieprestaties, vooral voor zeldzame aritmieën, en ondersteunt een rechtvaardiger diagnostisch hulpmiddel⁵. De primaire doelstellingen van dit onderzoek zijn drieledig. Ten eerste is het doel om een nauwkeurig, schaalbaar model te ontwikkelen dat in staat is om aritmieën in realtime te detecteren en zo bij te dragen aan de wereldwijde verschuiving naar digitale en gepersonaliseerde gezondheidszorg. Ten tweede om de effectiviteit van een hybride CNN-Transformer-architectuur in ECG-analyse aan te tonen, waarbij het potentieel wordt benadrukt om beter te presteren dan traditionele methoden in zowel nauwkeurigheid als robuustheid⁶.

Ten slotte is het doel om een model te ontwikkelen met zinvolle toepassingen in de klinische diagnostiek, waardoor hartafwijkingen beter kunnen worden opgespoord. Deze studie probeert de kloof te overbruggen tussen deep learning-vooruitgang en praktische medische toepassingen, waarbij onze aanpak wordt gepositioneerd als een waardevol hulpmiddel bij het nastreven van verbeterde hartzorg en patiëntresultaten⁶.

Protocol

1. Datasets verwerven

1. Verkrijg openbaar beschikbare elektrocardiogram (ECG)-datasets om het deep learning-model voor aritmieclassificatie te ontwikkelen en te valideren⁷.
2. Combineer Lead-I-datasets uit de MIT-BIH Arrhythmia Database, de MIT-BIH Supraventricular Arrhythmia Database, de St. Petersburg INCART 12-lead Arrhythmia Database en de Sudden Cardiac Death Holter Database.
   OPMERKING: Datasets worden gekozen vanwege hun diversiteit in demografische gegevens van patiënten en aritmietypen, zodat het model kan generaliseren over verschillende gevallen. Elke dataset biedt geannoteerde ECG-opnames van hoge kwaliteit, die een reeks hartslagklassen bestrijken. Alleen Lead I-gegevens werden geëxtraheerd en gebruikt in alle datasets om de invoer te standaardiseren, de consistentie te behouden en zich te concentreren op het diagnostisch meest relevante signaal. Zoals weergegeven in figuur 1, meet afleiding I het potentiaalverschil tussen de rechterarm (negatieve elektrode) en de linkerarm (positieve elektrode), en meet afleiding II het potentiaalverschil tussen de rechterarm (negatieve elektrode) en het linkerbeen (positieve elektrode). Tabel 1 illustreert dat de hoofdgegevensset wordt gemaakt door vier gegevenssets te combineren en null-waarden te elimineren, en dat het bestand de naam Alldata.CSV krijgt.

2. Voorverwerking van gegevens

1. Verdeel de gegevens van Alldata.CSV in twee delen - train en test. Filter in voorbewerking 2 de N-, L-, R-, A-, V-klassen uit Alldata.CSV en verdeel deze vervolgens in twee delen: trein- en testonderdelen (Figuur 2).
2. Verdeel het ECG-signaal van elke patiënt in vaste vensters van 180 ms, elk geannoteerd volgens de overeenkomstige aritmieklassen zoals N-, L-, R-, A- en V-klassen (Figuur 3).
   OPMERKING: Deze segmentatie maakte een consistente invoerlengte over monsters mogelijk en legde de temporele kenmerken binnen elk hartslagsegment vast.
3. Lees onbewerkte ECG-bestanden in formaat (.dat, .hea en .atr) met behulp van de bibliotheek van Python.

3. Normalisatie

1. Om uniformiteit in signaalamplitude te garanderen, normaliseert u alle gesegmenteerde ECG-gegevens met behulp van Min-Max-schaling, waarbij elk monster wordt getransformeerd naar een bereik tussen 0 en 1.
   OPMERKING: De normalisatietechniek die hier wordt gebruikt is MinmaxScaler⁸.

4. Klassenbalancering met SMOTE

OPMERKING: Een veel voorkomende uitdaging bij de classificatie van aritmieën is de aanzienlijke onbalans in de klas, waarbij de normale hartslag veel groter is dan de abnormale.

1. Om de bovenstaande uitdaging aan te gaan, past u de Synthetic Minority Over-sampling Technique (SMOTE) toe op de trainingsset, die synthetische samples genereert voor minderheidsklassen door te interpoleren tussen bestaande instanties⁹.
   OPMERKING: Het vermogen van het model om te generaliseren over alle soorten aritmieën wordt versterkt door nieuwe synthetische monsters, die garanderen dat elke klasse eerlijk vertegenwoordigd is.

5. Splitsing trein-test

1. Na voorverwerking splitst u de gegevens op in trainings- en testsets met behulp van een 70-30-verdeling, met stratificatie om de klassenverdeling over sets te behouden.
   OPMERKING: Deze splitsing zorgde ervoor dat elke aritmieklasse adequaat vertegenwoordigd is in zowel de trainings- als de testfase, waardoor een betrouwbare evaluatie van de prestaties van het model mogelijk is.

6. Splitsing en klassenverdeling van datasets

1. Splits de uiteindelijke dataset op in trainings- en testsets, waarbij 70% van de gegevens wordt gebruikt voor training en 30% voor testen.
2. Pas SMOTE toe om de klassenverdeling in evenwicht te brengen en zorg ervoor dat elk type aritmie adequaat vertegenwoordigd is in zowel de trainings- als de testset, zoals weergegeven in tabel 2.
   OPMERKING: In totaal worden 3.966.620 ECG-segmenten gebruikt voor training en 112.575 ECG-segmenten worden gebruikt voor het testen van het model. Deze grote hoeveelheid gegevens, samen met de diversiteit van de aritmietypen, droeg bij aan de robuustheid van het model bij het detecteren van verschillende soorten aritmieën in real-world ECG-signalen.

7. Methodologie

1. Model architectuur
   1. Om een nauwkeurige classificatie van aritmieën te bereiken, implementeert u een hybride deep learning-model dat bestaat uit 1D Convolutional Neural Networks (CNN's) en Transformer-lagen.
      OPMERKING: Hybride modelarchitectuur is speciaal ontworpen om gebruik te maken van de sterke punten van zowel ruimtelijke als tijdelijke kenmerken van ECG-signalen. Het combineert functies voor extractie en sequentiemodellering.
2. 1D-Convolutionele Neurale Netwerk (CNN) Blokkades
   1. Stel het CNN-blok in om te bestaan uit twee 1D convolutionele lagen, elk gevolgd door een ReLU-activeringsfunctie en een max-pooling-laag. Deze lagen extraheren ruimtelijke afhankelijkheden uit het ingangs-ECG-signaal. Om de functie-extractie te verbeteren, voegt u meer ReLU-activeringsfuncties toe na elke transformatiestap in de CNN-lagen¹⁰.
      OPMERKING: Met deze configuratie kan het model effectief ruimtelijke afhankelijkheden binnen elk segment leren.
   2. Eerste convolutionele laag: Gebruik deze laag om 32 filters van grootte 3 op het ingangssignaal toe te passen. De verrichting wordt uitgedrukt als:
      (1)
      Waarbij y_i de uitvoer voorstelt, w_j de gewichten, x_(i+j) het input-ECG-segment, b de biasterm en σ de activeringsfunctie (ReLU, in dit geval)¹¹.
   3. Poolinglaag: Stel na elke convolutie een max-pooling-bewerking in om de ruimtelijke dimensie met een factor 2 te verminderen, gedefinieerd als:
      (2)
      OPMERKING: Deze bewerking behoudt de meest in het oog springende kenmerken en vermindert de rekencomplexiteit.
   4. Tweede convolutionele laag: gebruik deze laag om 64 filters van grootte 3 toe te passen op de functietoewijzingen van de vorige laag, waardoor objecten op een hoger niveau¹² worden geëxtraheerd. Pas een ReLU-activeringsfunctie toe na convolutie om niet-lineariteit te introduceren:
      (3)
      1. Extra activeringslagen: pas ReLU-activering toe in elke tussenfase na convolutie om de expressieve kracht van het netwerk te vergroten, zodat het model zich richt op positieve activeringen¹³.
   5. Dropout: Geef een uitvalpercentage van 0,5 op in de volledig verbonden laag, sectie¹⁴.
3. Transformator blok:
   1. Om dit protocol te volgen, stelt u het transformatorblok in op twee zelfaandachtslagen met meerdere koppen, waardoor het model tijdelijke afhankelijkheden in verschillende delen van het ECG-signaal¹⁵ kan vastleggen.
   2. Multi-Head Self-Attention: Dit mechanisme berekent relaties tussen elk paar sequentie-elementen. Voor een reeks met query Q, sleutel K en waarde V berekent u de aandacht als:
      (4)
      Waarbij Q, K en V respectievelijk de query-, sleutel- en waardematrices zijn en d_k de dimensionaliteit van de sleutelvectoren vertegenwoordigt.
      OPMERKING: Door het model in staat te stellen verschillende segmenten te wegen op basis van hun relevantie, verbetert dit mechanisme het vermogen van het model om onderscheid te maken tussen aritmieën met subtiele temporele kenmerken.
   3. Activeringsfuncties: Gebruik ReLU expliciet over lagen heen.
4. Continue wavelet-transformatie (CWT):
   1. Voordat u de gegevens in de CNN-lagen invoert, past u continue wavelet-transformaties toe om de ECG-signalen om te zetten in tijd-frequentierepresentaties¹⁶.
      OPMERKING: Deze transformatie biedt een uitgebreidere functieset door de frequentievariaties in de loop van de tijd vast te leggen, die cruciaal zijn voor het onderscheiden van verschillende soorten aritmieën.
5. Opleidingstraject:
   1. Om het model te trainen, gebruikt u de Adam-optimalisatie, die de leersnelheid dynamisch aanpast op basis van het eerste en tweede moment van de gradiënt. Definieer de updateregel voor Adam als:
      (5)
      Waar m_t en v_t de schattingen van het eerste en tweede moment zijn, is α de leersnelheid, en ε is een kleine constante om deling door nul¹⁷ te voorkomen.
   2. Voer training uit over 100 tijdperken, met een batchgrootte van 64, waarbij vroegtijdig stoppen wordt gebruikt om overfitting te verminderen.
      OPMERKING: De trainingsgegevens werden in het model ingevoerd via het PyTorch DataLoader-hulpprogramma en zowel dropout- als batchnormalisatie werden toegepast om het netwerk te regulariseren en de convergentie te verbeteren.
6. Hyperparameter afstemming
   1. Voer handmatige afstemming uit met behulp van vroeg stoppen, Adam-optimalisatie, dropout, batchnormalisatie en een batchgrootte van 1024.
      OPMERKING: Hoewel raster- of Bayesiaans zoeken in dit artikel niet expliciet wordt genoemd, weerspiegelen deze keuzes praktische afstemmingsstrategieën.
7. Validatie technieken
   1. Gebruik een 70-30 gestratificeerde trein-testsplitsing na het toepassen van SMOTE¹⁸.
      OPMERKING: Hoewel k-fold niet wordt gebruikt, behoudt stratificatie de klassenverdeling, wat vaak voldoende is bij grote datasets.

Results

Prestatiestatistieken van het voorgestelde model
De nauwkeurigheid, gevoeligheid, specificiteit en F1-score van het voorgestelde model worden berekend voor elke aritmieklasse. De prestaties van het model worden geëvalueerd op de MIT-BIH en andere relevante ECG-databases. De belangrijkste resultaten worden als volgt samengevat:

Nauwkeurigheid: Het hybride CNN-Transformer-model behaalde een nauwkeurigheid van 99,32% op de MITDB-dataset en 97,...

Discussion

De resultaten van deze studie geven aan dat het hybride CNN-Transformer-model ECG-aritmieën vakkundig classificeert met verhoogde nauwkeurigheid, gevoeligheid, specificiteit en F1-score, en duidelijk beter is dan conventionele CNN-only en CNN-LSTM-modellen. Door transformatorlagen op te nemen, is het model beter in staat om temporele afhankelijkheden vast te leggen, een cruciaal element van ECG-analyse. Bovendien bieden continue wavelettransformaties (CWT) uitgebreide tijd-frequentiekara...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Computersysteem			(Voor training) Processor: AMD Ryzen 7 7840HS, CPU RAM:16 GB, GPU RAM:6GBNVIDIA GeForce RTX 3050
imbalanced-learn			python pakket gebruikt voor hersteekproeven
pytorch			PyTorch is een Python-pakket dat twee hoogwaardige functies biedt: - Tensorberekeningen (zoals NumPy) met sterke GPU-versnelling - Diepe neurale netwerken gebouwd op een tape-gebaseerd autograd-systeem
seaborn			Seaborn is een Python-visualisatiebibliotheek gebaseerd op matplotlib.
wfdb			gebruikt voor het lezen, schrijven, verwerken en plotten van fysiologische signaal- en annotatiegegevens