Methodenartikel

Geautomatiseerde 12-lead elektrocardiogrammen (ECG) digitalisering en WaveForm DataBase (WFDB) standaardisatie: inzichten uit Vietnamese klinische gegevens

DOI:

10.3791/70359

⸱

13 maart 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

In dit artikel

Samenvatting

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

Hier presenteren we een reproduceerbaar protocol voor het omzetten van 12-lead ECG-beelden uit klinische rapporten uit de praktijk in gekalibreerde, WFDB-conforme digitale signalen voor gestandaardiseerde downstream-analyse, waarbij grid-kalibratie, YOLOv12-gebaseerde leadlokalisatie, golfvormextractie (Viterbi of verbeterde middenlijn) en visuele validatiecontrolepunten worden geïntegreerd.

Samenvatting

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

Veel klinieken archiveren nog steeds 12-lead elektrocardiogrammen (ECG's) als geprinte papieren records of rasterafbeeldingen ingebed in PDF-rapporten, wat interoperabiliteit en downstream computationele analyse beperkt. Hier presenteren we een reproduceerbaar digitaliseringsprotocol dat ECG-rapportbeelden omzet in WaveForm DataBase (WFDB)-conforme digitale signalen voor gestandaardiseerd downstream gebruik. Het protocol bestaat uit (i) rasterdetectie en pixel-naar-fysieke kalibratie, (ii) geautomatiseerde lokalisatie en labeling van de 12 leidende gebieden met behulp van een objectdetectiemodel, (iii) signaalvoorverwerking en normalisatie, en (iv) golfvormextractie met behulp van een continuïteitsbeperkte padmethode (Viterbi) of een verbeterde centerline-gebaseerde methode. De workflow is ontworpen om heterogene klinische indelingen, variabele rasterzichtbaarheid en veelvoorkomende beeldvormingsartefacten te verwerken, en bevat visuele controlepunten voor kwaliteitscontrole in elke fase. Het protocol levert tijdgelijnde 12-geleide WFDB-records uit die geschikt zijn voor reproduceerbare analyse in signaalverwerking en machine-learning pijplijnen.

Inleiding

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

Het 12-kanaals elektrocardiogram (ECG) is een hoeksteen van cardiovasculaire beoordeling en wordt nog steeds veel gebruikt voor screening, monitoring en klinischebesluitvorming. Ondanks voortdurende digitaliseringsinspanningen slaan veel instellingen ECG's nog steeds op als gedrukte papieren records of gerasterde afbeeldingen die in PDF-rapporten zijn ingebed, wat de zoekbaarheid vermindert en longitudinale opvolgingbemoeilijkt. Belangrijk is dat beeldgebaseerde opslag direct gebruik van gestandaardiseerde ECG-toolkits en machine-learning pijplijnen voorkomt die gekalibreerde tijdreekssignalen vereisen in plaats vanbeelden 3. Het algemene doel van dit protocol is het bieden van een reproduceerbare en gestandaardiseerde methode voor het omzetten van elektrocardiogrambeelden in gekalibreerde digitale signalen, geschikt voor downstream computationele analyse.

Geautomatiseerde ECG-digitalisering probeert spanning-tijdsignalen te reconstrueren uit gescande ECG-beelden4. Echter, klinische ECG-scans in de praktijk tonen vaak heterogene rapportindelingen, variabele rasterzichtbaarheid, compressieartefacten, niet-uniforme verlichting en extra markeringen zoals stempels of annotaties5. Deze factoren kunnen de leadlokalisatie en golfvormtracering aantasten, waardoor de reproduceerbaarheid tussen instellingen en apparaatleveranciers beperktwordt. Daarom zou een praktische digitaliseringsworkflow robuuste grid-kalibratie, betrouwbare lead-scheiding en etikettering, en gestandaardiseerde export naar een breed geaccepteerd signaalformaat zoals WFDB7 moeten bieden. Gestandaardiseerde digitale formaten verbeteren de interoperabiliteit tussen instellingen en faciliteren reproduceerbare analyses met behulp van gevestigde elektrocardiogram-signaalverwerkingsbibliotheken.

Verschillende ECG-digitaliseringstools zijn voorgesteld (Tabel 1), maar klinische implementatie blijft uitdagend omdat de prestaties gevoelig kunnen zijn voor scankwaliteit en variabiliteit in de lay-out 8,9,10. Recente studies hebben ook automatische leadextractie uit ECG-papieren records onderzocht met behulp van deep learning, wat de noodzaak van robuuste parsing onder diverse lay-outs en artefacten verderbenadrukt. Gerelateerde digitaliseringssoftware is ook geïntroduceerd om de robuustheid onder heterogene klinische omstandighedente verbeteren 12. Tegelijkertijd zijn open toolkits en bronnen voor ECG-beeldonderzoek geïntroduceerd om methodeontwikkeling en benchmarkingte faciliteren. In tegenstelling tot bestaande digitaliseringstools die gevoelig kunnen zijn voor lay-outvariabiliteit of beperkt kunnen zijn tot specifieke scanformaten, integreert dit protocol grid-kalibratie, geautomatiseerde leadlokalisatie en gestandaardiseerde WFDB-export om de robuustheid te verbeteren in heterogene klinische rapporten. In dit werk richten we ons op een end-to-end pijplijn die zich richt op echte ECG-PDF's en gescande records, de nadruk legt op reproduceerbaarheid en WFDB-conforme multi-lead signalen uitgeeft voor downstream-analyse.

Wij stellen een volledig geautomatiseerd en reproduceerbaar protocol voor het omzetten van 12-leads ECG-rapportbeelden naar WFDB-conforme digitale signalen. Het protocol integreert (i) rastergebaseerde pixel-naar-fysieke kalibratie met standaard ECG-instellingen (25 mm·s-1, 10 mm·mV-1), (ii) YOLOv12-gebaseerde lokalisatie van zowel leadgebieden als leadiconen om robuuste leadidentificatie in heterogene rapportindelingen te ondersteunen, en (iii) twee alternatieve golfvormextractieprocedures, waaronder een verbeterde centerline-methode die is ontworpen om de spoorcontinuïteit te verbeteren onder variabele lijndikte en kleine discontinuïteiten. Deze componenten zijn afgestemd op eerder werk op het gebied van signaalextractie, robuuste digitaliseringssoftware en praktische digitaliseringsstrategieën onder heterogene klinische omstandigheden14. De resulterende WFDB-records maken downstream-analyse mogelijk met standaard ECG-toolsketens. Dit protocol is bijzonder geschikt voor retrospectieve digitalisering van gearchiveerde elektrocardiogramrapporten die zijn opgeslagen als gescande papieren records of gerasterde PDF's en kan aanpassing vereisen wanneer rasterlijnen ontbreken of ernstig vervormd zijn.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Verkrijg goedkeuring van de Ethiekcommissie (Institutionele Beoordelingscommissie) van Tam Duc Ziekenhuis (Protocol ID: 24751791) voordat je met terugwerkende gegevens verzamelt. De-identificeer alle ECG-rapporten vóór de analyse door directe identificaties (bijv. patiëntnaam, medisch dossiernummer, geboortedatum en bezoekdatum) te verwijderen en te vervangen door een niet-identificerende studie-ID. Gebruik alleen gedeïdenificeerde ECG-gegevens voor modelontwikkeling en evaluatie.

1. Bereid materialen, software en input voor

  1. Klon de projectrepository en verifieer de directorystructuur, inclusief baselines/, core_binary/, data/, evaluatie/, outputs/, publiek/, resultaten/, gewicht/, en wrapper/, samen met README.md en requirements.txt (zie Data Availability).
    1. Maak (of verifieer) runtime-submappen onder data/ en outputs/, inclusief data/raw_pdf/, data/raw_scans/, outputs/images/, outputs/preprocessed/, outputs/gekalibreerd/, outputs/yolo_boxes/, outputs/lead_crops/, outputs/masks/, outputs/traces/, outputs/signals_csv/, en outputs/wfdb/.
  2. Installeer de vereiste softwareafhankelijkheden (Python, OpenCV, NumPy/SciPy, PyTorch, Ultralytics (YOLOv12 trainings-/inferentieframework), /YOLO en WFDB) en documentversies in de materiaallijst (zie Materiaallijst).
  3. Plaats ECG-invoer in data/raw_pdf/ (PDF-rapporten) of data/raw_scans/ (papierscans).
  4. Scan papier-ECG's in grijswaarden op 300 dpi en houd de pagina vlak om perspectiefvervorming te voorkomen (zie Materiaaltabel).
    OPMERKING: Gebruik de papiersnelheid en versterking die op het ECG-printje zijn gerapporteerd wanneer beschikbaar (bijv. 25 mm·s⁻1, 10 mm·mV⁻1), consistent met de kalibratiefase in de algehele workflow (zie Figuur 1).

2. Converteer ECG-PDF's naar afbeeldingen

  1. Converteer elke ECG PDF-pagina naar een grijstintenafbeelding met 300 dpi.
  2. Sla elke pagina op als .png (voorkeur) of .tiff met minimale compressie om gridlijnen en golfvormdetails te behouden.
  3. Sla geëxporteerde afbeeldingen op in outputs/images/ en houd bestandsnamen consistent over alle pipeline-fasen (zie Figuur 2 voor een representatieve invoerindeling).

3. Pre-process ECG-beelden (contrast en ruis)

  1. Breng CLAHE toe om vage rasterlijnen en golfvormcontrast te verbeteren.
  2. Pas een lichte Gaussiaanse blur toe om hoogfrequente ruis te verminderen terwijl de golfvormranden behouden blijven.
  3. Snijd grote zwarte randen bij terwijl je het volledige ECG-inhoudsgebied behoudt.
  4. Draai de afbeelding naar een rechtopstaande oriëntatie als de scan/export gedraaid is.
  5. Bewaar voorbewerkte uitvoer naar uitvoer/voorbewerkt/.
  6. Inspecteer visueel een subset van de uitgangen en bevestig dat rasterlijnen en traces leesbaar blijven (zie Figuur 2).
    VOORZICHTIG: Vermijd agressieve gladmaking die dunne golfvormsegmenten breekt.

4. Detecteer rasterafstand en kalibreer schaal (pixel → mm)

  1. Detecteer rasterafstand met Hough-lijndetectie voor verticale/horizontale rasterlijnen.
  2. Schat de gemiddelde afstand tussen aangrenzende rasterlijnen (pixels) en sla de waarde van de rasterafstand op.
  3. Als Hough-lijndetectie faalt, schat je de afstand met behulp van Fourier-analyse van rij-/kolomprojecties.
  4. Als Fourier-analyse faalt voor gestippelde rasters, schat de afstand dan met behulp van Hough-cirkeldetectie (of dot-periodiciteit).
  5. Als alle rasterdetectoren falen, stel dan een fallback-spatiëntwaarde in (bijv. 59 pixels) en markeer het record voor beoordeling.
  6. Bereken de pixel-naar-mm-conversie met behulp van de gedetecteerde afstand en de ECG-papierstandaard (bijv. 25 mm·s⁻1 en 10 mm·mV⁻1; zie Figuur 1).
  7. Herschaal het beeld met bicubische interpolatie om de schaal over records te normaliseren.
  8. Sla gekalibreerde beelden op als output/gekalibreerde/ en sla kalibratielogs per record op.
    OPMERKING: Raadpleeg Supplementary File 1 (Algoritme 1) voor implementatiegerichte pseudocode van gridspacingdetectie en pixel-naar-fysieke kalibratie.

5. Lokaliseer 12-lead regio's met YOLOv12

  1. Laad het getrainde YOLOv12-model voor lead-regio detectie (zie Tabel 2 voor trainingsparameters).
    1. Gebruik de implementatie van het YOLOv12 trainings-/inferentieframework zonder architecturale aanpassingen om de 12 leidinggebieden in elke ECG-afbeelding te detecteren en te scheiden voor downstream digitalisering (zie Figuur 1).
  2. Voer inferentie uit op elk gekalibreerd beeld met behulp van de geconfigureerde inferentiegrootte (bijv. imgsz = 1024).
  3. Pas non-maximum suppressie toe en houd de hoogste betrouwbaarheid bounding box per leadklasse aan.
  4. Exporteer boundingboxen naar outputs/yolo_boxes/ in een reproduceerbaar formaat (TXT/CSV/JSON).
  5. Sla overlayafbeeldingen op met voorspelde leadregio-vakjes en labels voor verificatie (zie Figuur 3 en Figuur 4).
  6. Marker records met ontbrekende leads, gedupliceerde leads of inconsistente lay-out en sluit deze uit van automatische export indien nodig.
    OPMERKING: Raadpleeg Aanvullend Bestand 1 (Algoritme 2) voor pseudocode van YOLOv12-gebaseerde leadregio-extractie en box-nabewerking.

6. Lokaliseer leadiconen met behulp van YOLOv12

  1. Laad het getrainde YOLOv12-model voor lead-icoon detectie (zie Tabel 2 voor trainingsparameters).
    1. Gebruik dezelfde YOLOv12 trainings-/inferentieframework-implementatie zonder architecturale aanpassingen om leadiconen te detecteren voor robuuste leadidentificatie in heterogene lay-outs (zie Figuur 1).
  2. Voer inferentie uit op elke gekalibreerde afbeelding met behulp van de geconfigureerde inferentiegrootte en drempels die in de hoofdtekst zijn gerapporteerd.
  3. Pas non-maximum suppressie toe en behoud de hoogste betrouwbaarheid bounding box per lead-icoon klasse.
  4. Exporteer leiding-icoon boundingboxen naar outputs/yolo_boxes/ in een reproduceerbaar formaat (TXT/CSV/JSON).
  5. Sla overlayafbeeldingen op die voorspelde lead-icoonvakjes en klasselabels tonen voor verificatie (zie Figuur 5 en Figuur 6).
  6. Evalueer de prestaties van lead-icoondetectie en rapporteer kwantitatieve resultaten en metriekdefinities (zie Tabel 5 en Tabel 6).
  7. Vergelijk lead-regiodetectie en lead-icoondetectie onder hetzelfde evaluatieprotocol en runtime-rapportageconventie.

7. Plant elke leidende regio en standaardiseer gewassen

  1. Snijd elk leadgebied uit de gekalibreerde afbeelding bij met behulp van de voorspelde coördinaten van de begrenzende doos.
  2. Padcrops tot een consistente grootte wanneer leadregio's variëren tussen layouts.
  3. Sla bijgesneden afbeeldingen op in outputs/lead_crops/ met het naamschema: recordID_leadName.png.
  4. Bevestig dat alle 12 leidingen aanwezig zijn voor elk record vóór golfvormextractie (zie Tabel 3 en Tabel 4).

8. Genereer een binair signaalmasker voor elke loodgewas

  1. Normaliseer elke loodgewasintensiteit naar een intensiteitsbereik van 8 bits.
  2. Pas adaptieve drempel (of Otsu-drempelwaarde) toe om de golfvormspoor te scheiden van achtergrond/gridlines.
  3. Pas morfologische cleanup toe (bijvoorbeeld openen/sluiten) om residuele rooster-artefacten te onderdrukken.
  4. Overbrug kleine gaten in de spoor met interpolatie of connectiviteitsgebaseerde vulling.
  5. Sla het uiteindelijke binaire masker op naar outputs/masks/ en verifieer de maskerkwaliteit op representatieve monsters (zie Figuur 7).
    OPMERKING: Raadpleeg Supplementary File 1 (Algoritme 3) voor details over lead-regio maskergeneratie bij gebruik van bounding-box-geleide maskering.

9. Extractie-golfvormsporen (kies ofwel Viterbi-gebaseerde padextractie of verbeterde centerlijnextractie.

  1. Extractie van golfvormsporen met behulp van Viterbi-gebaseerde padextractie
    1. Bereken een kostenkaart op het binaire masker die discontinuïteiten bestraft en trace-achtige pixels bevoordeelt.
    2. Voer Viterbi-decodering uit om een continuïteitsbeperkt pad over de loodgewas te verkrijgen.
    3. Glad het geëxtraheerde pad en interpoleren ontbrekende segmenten indien nodig.
    4. Sla padcoördinaten op naar outputs/traces/ en sla overlayplots op voor validatie (zie Figuur 8).
      OPMERKING: Raadpleeg Aanvullend Bestand 2 (Algoritme 4) voor Viterbi-gebaseerde golfvormextractie en visualisatie-pseudocode.
  2. Extractie van golfvormtrace met verbeterde centerline-extractie
    1. Skelettiseer het binaire masker om een centerline-kandidaat te verkrijgen.
    2. Verwijder sporige takken en geïsoleerde componenten veroorzaakt door rasterruis.
    3. Vlak de middenlijn af en handhaaf de continuïteit van links naar rechts.
    4. Interpoleer korte ontbrekende segmenten om de continuïteit van de golfvorm te behouden.
    5. Stel dataset-specifieke parameters af (bijv. binarisatiedrempels, morfologische kerngroottes, snoeilengte, gladmaaksterkte en gap-interpolatielimieten) om de continuïteit van de middenlijn te optimaliseren onder de beeldomstandigheden van de studiedataset.
    6. Sla middenlijncoördinaten op naar outputs/traces/ en sla overlay-plots op voor validatie (zie Figuur 9).
      OPMERKING: Gebruik een standaard skelettiseringsgebaseerd principe van de middenlijn en verbeter de robuustheid via dataset-specifieke parameterafstemming en nabewerking; zie Supplementair Bestand 2 (Algoritme 5) voor centerline-extractie, gladmaking/interpolatie, parameterinstellingen en opslagpseudocode.

10. Pixelsporen omzetten naar gekalibreerde signalen (mV versus tijd)

  1. Converteer pixel y-coördinaten naar spanning met behulp van de gekalibreerde rasterschaal (10 mm·mV⁻1) en pixel-naar-mm mapping.
  2. Converteer pixel x-coördinaten naar tijd met behulp van de gekalibreerde rasterschaal (25 mm·s⁻1) en pixel-naar-mm mapping.
  3. Elke lead opnieuw bemonsteren naar een vaste bemonsteringsfrequentie (bijv. 100 Hz) en lijn alle 12 leads in de tijd uit.
  4. Sla de 12-lead signalen op als CSV-bestanden in outputs/signals_csv/ met consistente kolomnamen en eenheden.

11. WFDB-records exporteren en uitvoer valideren

  1. Converteer elke 12-lead CSV naar een WFDB-record met behulp van de WFDB-bibliotheek.
  2. Schrijf het .hea-headerbestand met recordnaam, samplefrequentie, signaalversterkingen, baselines en leadnamen.
  3. Schrijf het .dat signaalbestand met een consistent numeriek type (bijv. 16-bits) en eenheidsconventie (bijv. μV).
  4. Laad elk WFDB-record opnieuw en plot alle 12 leads om leadvolgorde, naamgeving en tijdsuitlijning te bevestigen (zie Figuur 10).
  5. Sla de uiteindelijke WFDB-uitvoer op naar outputs/wfdb/ en sla validatieplots op.
    OPMERKING: Raadpleeg Supplementair Bestand 3 (Algoritme 7) voor details over CSV-naar-WFDB-conversie en optioneel annotatieschrijven wanneer metadata beschikbaar is.

12. Checkpoints en probleemoplossing

  1. Wijs of markeer elk record met onbetrouwbare grid-calibratie, ontbrekende leads of ernstige occlusies.
  2. Voer preprocessing en kalibratie opnieuw uit met aangepaste parameters voor gemarkeerde records.
  3. Voer detectie opnieuw uit met bijgewerkte betrouwbaarheids-/IoU-drempels wanneer leads worden gemist.
  4. Vat faalmodi en uitsluitingscriteria samen in een resultaattabel.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Invoervoorbereiding
ECG-rapporten werden succesvol omgezet van PDF's of scans naar gestandaardiseerde, as-uitgelijnde beelden die geschikt zijn voor downstream verwerking. Voor papieren ECG's werden scans verkregen bij 300 dpi in grijswaarden en opgeslagen als PNG/TIFF om compressie-artefacten te verminderen. De meest voorkomende invoerproblemen waren (i) overmatige compressie bij PDF-exporten, (ii) gedeeltelijk bijsnijden waarbij leadgebieden of labels werden verwijd...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Deze studie presenteert een geautomatiseerde end-to-end pijplijn die 12-lead ECG-beelden van PDF's of gescande papieren records omzet in WFDB-conforme digitale signalen via grid-kalibratie, YOLOv12-gebaseerde leadlokalisatie en golfvormextractie met behulp van Viterbi-padzoeking of een verbeterde centerline-methode1. Het protocol bevat validatiecontrolepunten (bounding-box overlays, trace overlays en WFDB herlaadplots) ter ondersteuning van kwaliteitsborging tijde...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs hebben geen concurrerende financiële belangen of persoonlijke relaties die het werk in dit artikel zouden kunnen beïnvloeden.

Dankbetuigingen

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

De auteurs bedanken Tam Duc Ziekenhuis voor het leveren van gedeïdentificeerde ECG-rapporten en voor de institutionele ondersteuning tijdens de gegevensverzameling.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
GPU (runtime tests)NVIDIAGeForce RTX 3060 12 GBNVIDIA GeForce RTX 3060 12 GB gebruikt voor runtime tests
NumPyNumPy1.26.4Numerieke verwerking
OpenCVOpenCV4.10.0.84Beeldvoorverwerking (ontschepen, filteren)
Besturingssysteem (runtime tests)MicrosoftWindows 11Windows 11 gebruikt voor runtime tests
PDF-naar-afbeelding converterDit protocolV1PDF rasterisatie bij 300 DPI; geef repository URL in Gegevensbeschikbaarheid
PythonPython Software Foundation3.12.5Runtime-omgeving
PyTorchPyTorch0.5.0Backend voor YOLOv12
ScannerCanonDR-C240300 DPI, grijswaarden, PNG/TIFF aanbevolen
scikit-imagescikit-image0.25.0Skelettonering en morfologie (centrumlijn)
UltralyticsUltralytics8.3.155YOLOv12 training/inferentiekader
wfdb (Python-pakket)PhysioNet4.1.2WFDB-export (.hea/.dat)

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

12 afleidingen ECGgolfvormextractiesignaalvoorbewerkingobjectdetectiemodelrasterdetectiesignaalnormalisatiekwaliteitscontrole
Video binnenkort beschikbaar

Gerelateerde artikelen