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

Samenvatting

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.

Samenvatting

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.

Inleiding

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....

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....

Resultaten

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,.......

Discussie

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.......

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
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