Сверточная нейросетевая модель-трансформер для прогнозирования и классификации ранней аритмии с помощью сигнала электрокардиограммы

Краткое содержание

Разработанная модель направлена на классификацию ранних аритмий на классы N, L, R, V и A. Здесь все наборы данных объединяются для создания основного набора данных, который модель использует в качестве входных данных для получения различных классов аритмии на выходе.

Аннотация

Будучи основной причиной смертности во всем мире, сердечно-сосудистые заболевания, особенно аритмии, требуют создания точных и автоматизированных технологий для ранней диагностики и выявления. Для выявления аритмий по сигналам электрокардиограммы (ЭКГ) в данной статье представлена классификационная модель, основанная на глубоком обучении, которая фокусируется на пяти основных типах сердечных сокращений: нормальное (N), блокада левой ножки пучка пучка Гиса (R), преждевременное сердцебиение (A) и преждевременное сокращение желудочков (V). Мы используем сигналы Lead I из нескольких источников, таких как базы данных INCART 12-отведения, Sudden Cardiac Death Holter, Supraventricular и MIT-BIH Arrhythmia, что дает более 3,9 миллиона обучающих и 112 575 тестовых сегментов.

Примеры подготовки данных включают выборку 180, сегментацию с фиксированным окном, нормализацию Min-Max и балансировку классов с помощью метода синтетической избыточной выборки меньшинств (SMOTE). Гибридная архитектура использует слои Transformer для моделирования временных зависимостей и одномерные сверточные нейронные сети (CNN) для извлечения пространственных особенностей. Оптимизатор Адама с отсрочкой и пакетной нормализацией для регуляризации обучает модель.

Предлагаемая система превосходит модель TN4 и другие передовые бенчмарки, достигая 99,99% точности, точности и F1-score во всех классах. Устойчивость функций дополнительно улучшается за счет применения глубоких гибридных архитектур и сверточных нейронных сетей, которые были мотивированы более ранними исследованиями. Предлагаемая парадигма развивает индивидуализированное цифровое здравоохранение, основанное на искусственном интеллекте, и имеет большие перспективы для масштабируемой идентификации аритмии в режиме реального времени.

Введение

По данным Всемирной организации здравоохранения (^ВОЗ), сердечно-сосудистые заболевания (ССЗ) остаются одной из ведущих проблем здравоохранения во всем мире, на долю которых ежегодно приходится почти 31% смертей во всем мире. Значительная часть этих случаев включает в себя аритмии — нарушения сердечного ритма, которые могут варьироваться от доброкачественных до опасных для жизни. Аритмии часто характеризуются нерегулярным временем. Эти нарушения в значительной степени способствуют заболеваемости и смертности пациентов, повышая риск серьезных проблем со здоровьем, таких как инсульт, сердечная недостаточность и вн....

Протокол

1. Получение наборов данных

1. Приобретение общедоступных наборов данных электрокардиограммы (ЭКГ) для разработки и проверки модели глубокого обучения для классификации аритмии⁷.
2. Объедините наборы данных Lead-I из базы данных MIT-BIH Arrhythmia, MIT-BIH Supraventricular Arrhythmia, St. Petersburg INCART 12-lead Arrhythmia Database и Holter Sudden Heart Death.
   ПРИМЕЧАНИЕ: Наборы данных выбираются из-за их разнообразия в демографических характеристиках пациентов и типах аритмии, что позволяет обобщить модель для различных случаев. Каждый набор данных предоставляет высококачественные аннотированные записи ЭКГ....

Результаты

Метрики производительности предложенной модели
Для каждого класса аритмии рассчитаны точность, чувствительность, специфичность и F1-оценка предложенной модели. Производительность модели оценивается на основе MIT-BIH и других соответствующих баз данных ЭКГ. Основные результаты можно резюмировать следующим образом:

Точность: Гибридная модель CNN-Transformer достигла точности 99,32% на наборе данных MITDB и 97,15% на объединенных базах данных, демонстрируя надежность модели дл.......

Обсуждение

Результаты этого исследования показывают, что гибридная модель CNN-Transformer профессионально классифицирует ЭКГ-аритмии с повышенной точностью, чувствительностью, специфичностью и F1-оценкой, заметно превосходя традиционные модели CNN и CNN-LSTM. Включение слоев трансформатора расширило возможности модели по улавливанию временных зависимостей, что является важнейшим элементом анализа ЭКГ. Кроме того, непрерывные вейвлет-преобразования (CWT) обеспечивают обширные частотно-временные хара.......

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Компьютерная система			(для обучения) Процессор: AMD Ryzen 7 7840HS, ЦПУ ОЗУ: 16 ГБ, GPU ОЗУ: 6GBNVIDIA GeForce RTX 3050
imbalanced-learn			python пакет, используемый для передискретизации
pytorch			PyTorch - это пакет Python, который предоставляет две высокоуровневые функции: - Тензорные вычисления (например, NumPy) с сильным ускорением графического процессора - Глубокие нейронные сети, построенные на ленточная система автограда
seaborn			Seaborn - это библиотека визуализации на языке Python на базе matplotlib.
WFDB			используемый для чтения, записи, обработки и построения графиков физиологических сигналов и аннотаций

,