Konwolucyjny model transformatora sieci neuronowej do przewidywania i klasyfikacji wczesnej arytmii za pomocą sygnału elektrokardiogramu

Summary

Opracowany model ma na celu klasyfikację wczesnych zaburzeń rytmu serca do klas N, L, R, V i A. W tym miejscu wszystkie zestawy danych są łączone w celu utworzenia głównego zestawu danych, który model używa jako danych wejściowych do tworzenia różnych klas arytmii jako danych wyjściowych.

Abstract

Jako główna przyczyna zgonów na całym świecie, choroby sercowo-naczyniowe - zwłaszcza arytmie - wymagają stworzenia precyzyjnych i zautomatyzowanych technologii do wczesnej diagnozy i wykrywania. Aby zidentyfikować arytmie na podstawie sygnałów elektrokardiogramu (EKG), w niniejszym artykule przedstawiono model klasyfikacyjny oparty na głębokim uczeniu, który koncentruje się na pięciu głównych typach bicia serca: normalnym (N), bloku lewej odnogi pęczka Hisa (L), bloku prawej odnogi pęczka Hisa (R), przedwczesnego pobudzenia przedsionków (A) i przedwczesnego skurczu komór (V). Wykorzystujemy sygnały Lead I z kilku źródeł, takich jak bazy danych INCART 12-odprowadzeniowe, Holtera Nagłej Śmierci Sercowej, Nadkomorowej i MIT-BIH Arytmia, uzyskując ponad 3,9 miliona szkoleń i 112 575 segmentów testowych.

Przykłady przygotowania danych obejmują próbkę 180, segmentację w oknie stałym, normalizację Min-Max oraz równoważenie klas za pomocą Techniki Nadpróbkowania Syntetycznej Mniejszości (SMOTE). Architektura hybrydowa wykorzystuje warstwy transformatora do modelowania zależności czasowych oraz konwolucyjne sieci neuronowe 1D (CNN) do wyodrębniania cech przestrzennych. Optymalizator Adama z dropoutem i normalizacją partii na potrzeby regularyzacji trenuje model.

Proponowany system przewyższa model TN4 i inne najnowocześniejsze wzorce, osiągając 99,99% dokładności, precyzji i wyniku F1 we wszystkich klasach. Niezawodność funkcji została dodatkowo poprawiona dzięki zastosowaniu głębokich architektur hybrydowych i konwolucyjnych sieci neuronowych, które były motywowane wcześniejszymi badaniami. Sugerowany paradygmat rozwija opartą na sztucznej inteligencji, zindywidualizowaną cyfrową opiekę zdrowotną i jest bardzo obiecujący w zakresie skalowalnej identyfikacji arytmii w czasie rzeczywistym.

Introduction

Choroby układu krążenia (CVD) pozostają jednym z głównych problemów zdrowotnych na świecie, odpowiedzialnym za prawie 31% zgonów na całym świecie każdego roku, według Światowej Organizacji Zdrowia (WHO)¹. Znaczna podgrupa tych przypadków dotyczy arytmii - nieprawidłowości w rytmie serca, które mogą wahać się od łagodnych do zagrażających życiu. Arytmie często charakteryzują się nieregularnymi czasami. Zakłócenia te w znacznym stopniu przyczyniają się do zachorowalności i śmiertelności pacjentów, zwiększając ryzyko poważnych problemów zdrowotnych, takich jak udar, niewydolność serca i nagłe zatrzymanie krążenia. Wczesna identyfikacja i dokładna ....

Protocol

1. Pobieranie zbiorów danych

1. Uzyskaj publicznie dostępne zestawy danych elektrokardiogramu (EKG), aby opracować i zweryfikować model uczenia głębokiego do klasyfikacji arytmii⁷.
2. Połącz zestawy danych Lead-I z bazy danych arytmii MIT-BIH, bazy danych arytmii nadkomorowej MIT-BIH, bazy danych 12-odprowadzeniowych arytmii St. Petersburg INCART oraz bazy danych Holtera nagłej śmierci sercowej.
   UWAGA: Zestawy danych są wybierane ze względu na ich różnorodność w danych demograficznych pacjentów i typach arytmii, dzięki czemu model może uogólniać się na różne przypadki. Każdy zestaw danych zapewnia wysokiej ....

Results

Wskaźniki wydajności proponowanego modelu
Dokładność, czułość, swoistość i wynik F1 proponowanego modelu są obliczane dla każdej klasy arytmii. Wydajność modelu jest oceniana w MIT-BIH i innych odpowiednich bazach danych EKG. Najważniejsze wyniki podsumowano w następujący sposób:

Dokładność: Hybrydowy model CNN-Transformer osiągnął dokładność 99,32% na zbiorze danych MITDB i 97,15% na połączonych bazach danych, demonstrując solidność modelu w różnych źródłach EKG

Discussion

Wyniki tego badania wskazują, że hybrydowy model CNN-Transformer biegle klasyfikuje arytmie EKG z podwyższoną dokładnością, czułością, swoistością i wynikiem F1, znacznie przewyższając konwencjonalne modele tylko CNN i CNN-LSTM. Włączenie warstw transformatora zwiększyło zdolność modelu do uchwycenia zależności czasowych, co jest kluczowym elementem analizy EKG. Co więcej, ciągłe transformacje falkowe (CWT) zapewniają obszerną charakterystykę czasowo-częstotliwościową, umożliwiając warstwom CNN rozróżnianie subtelnych zm.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
System			(do treningu) Procesor: AMD Ryzen 7 7840HS, PROCESOR RAM: 16 GB, GPU RAM: 6 GB Pakiet Pythona NVIDIA GeForce RTX 3050
z niezrównoważonym uczeniem się			używany do ponownego próbkowania
PyTorch			PyTorch to pakiet języka Python, który zapewnia dwie funkcje wysokiego poziomu: - Obliczenia tensorowe (takie jak NumPy) z silnym przyspieszeniem GPU - Głębokie sieci neuronowe zbudowane na oparty na taśmach system autograd
seaborn			Seaborn to biblioteka wizualizacji Pythona oparta na matplotlib.
WFDB			służy do odczytu, zapisu, przetwarzania i wykreślania sygnałów fizjologicznych i danych adnotacji