Elektrokardiyogram Sinyali Kullanarak Erken Aritmiyi Tahmin Etmek ve Sınıflandırmak için Evrişimli Sinir Ağı-Transformatör Modeli

Summary

Geliştirilen model, erken aritmileri N, L, R, V ve A sınıflarına ayırmayı amaçlamaktadır. Burada, tüm veri kümeleri, modelin çıktı olarak farklı aritmi sınıfları üretmek için girdi olarak kullandığı bir temel veri kümesi oluşturmak için birleştirilir.

Abstract

Dünya çapında önemli bir ölüm nedeni olan kardiyovasküler hastalıklar, özellikle aritmiler, erken tanı ve tespit için kesin ve otomatik teknolojilerin oluşturulmasını gerektirir. Elektrokardiyogram (EKG) sinyallerinden aritmileri tanımlamak için bu makale, beş ana kalp atışı tipine odaklanan derin öğrenme tabanlı bir sınıflandırma modeli sunmaktadır: Normal (N), Sol Demet Dal Bloğu (L), Sağ Demet Dal Bloğu (R), Atriyal Erken Atım (A) ve Erken Ventriküler Kasılma (V). INCART 12 kurşun, Ani Kardiyak Ölüm Holter, Supraventriküler ve MIT-BIH Aritmi veritabanları gibi çeşitli kaynaklardan gelen Kurşun I sinyallerinden yararlanarak 3,9 milyondan fazla eğitim ve 112.575 test segmenti sağlıyoruz.

Veri hazırlama örnekleri arasında 180 örnekleme, sabit pencere segmentasyonu, Min-Maks normalleştirme ve Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) ile sınıf dengeleme yer alır. Hibrit mimari, zamansal bağımlılıkları modellemek için Transformer katmanlarını ve uzamsal özellikleri çıkarmak için 1B Evrişimli Sinir Ağlarını (CNN'ler) kullanır. Düzenlileştirme için bırakma ve toplu normalleştirme ile Adam iyileştiricisi modeli eğitir.

Önerilen sistem, TN4 modelinden ve diğer son teknoloji kıyaslamalardan daha iyi performans göstererek tüm sınıflarda %99,99 doğruluk, hassasiyet ve F1 puanı elde ediyor. Özellik sağlamlığı, daha önceki çalışmalar tarafından motive edilen derin hibrit mimariler ve evrişimli sinir ağları uygulanarak daha da geliştirilmiştir. Önerilen paradigma, yapay zeka odaklı, kişiselleştirilmiş dijital sağlık hizmetlerini ilerletiyor ve ölçeklenebilir, gerçek zamanlı aritmi tanımlaması için büyük umut vaat ediyor.

Introduction

Dünya Sağlık Örgütü'ne (WHO) göre, kardiyovasküler hastalıklar (KVH'ler) küresel olarak önde gelen sağlık sorunlarından biri olmaya devam ediyor ve her yıl dünya çapında ölümlerin yaklaşık %31'inden sorumlu1^. Bu vakaların önemli bir alt kümesi, kalbin ritminde iyi huyludan yaşamı tehdit edici hale kadar değişebilen aritmiler-düzensizlikleri içerir. Aritmiler genellikle düzensiz zamanlarla işaretlenir. Bu aksaklıklar hasta morbidite ve mortalitesine önemli ölçüde katkıda bulunarak felç, kalp yetmezliği ve ani kalp durması gibi ciddi sağlık sorunları riskini artırır. Bu nedenle, aritmilerin erken tanımlanması ve ....

Protocol

1. Veri kümelerini edinme

1. Aritmi sınıflandırması⁷ için derin öğrenme modelini geliştirmek ve doğrulamak için halka açık elektrokardiyogram (EKG) veri kümelerini edinin.
2. MIT-BIH Aritmi Veritabanı, MIT-BIH Supraventriküler Aritmi Veritabanı, St. Petersburg INCART 12 derivasyonlu Aritmi Veritabanı ve Ani Kardiyak Ölüm Holter Veritabanından Kurşun-I veri kümelerini birleştirin.
   NOT: Veri setleri, hasta demografisi ve aritmi tiplerindeki çeşitlilikleri nedeniyle seçilmiştir ve modelin çeşitli vakalar arasında genelleme yapabilmesini sağlar. Her veri kümesi, bir dizi kalp atışı sınıfını kapsayan yüksek kalite....

Results

Önerilen modelin performans metrikleri
Önerilen modelin doğruluğu, duyarlılığı, özgüllüğü ve F1 skoru her bir aritmi sınıfı için hesaplanmıştır. Modelin performansı MIT-BIH ve diğer ilgili EKG veritabanlarında değerlendirilir. Temel sonuçlar aşağıdaki gibi özetlenmiştir:

Discussion

Bu çalışmanın sonuçları, hibrit CNN-Transformatör modelinin, EKG aritmilerini yüksek doğruluk, duyarlılık, özgüllük ve F1 skoru ile yetkin bir şekilde sınıflandırdığını ve geleneksel yalnızca CNN ve CNN-LSTM modellerini belirgin şekilde geride bıraktığını göstermektedir. Transformatör katmanlarının dahil edilmesi, modelin EKG analizinin çok önemli bir unsuru olan zamansal bağımlılıkları yakalama yeteneğini geliştirdi. Ayrıca, sürekli dalgacık dönüşümleri (CWT), CNN katmanlarının aritmi t.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Bilgisayar sistemi			(Eğitim için) İşlemci: AMD Ryzen 7 7840HS, CPU RAM:16 GB, GPU RAM:6GBNVIDIA GeForce RTX 3050
dengesiz öğrenme			PyTorch'u
			PyTorch, iki üst düzey özellik sağlayan bir Python paketidir: - Güçlü GPU hızlandırma ile tensör hesaplaması (NumPy gibi - Üzerine inşa edilmiş derin sinir ağları teyp tabanlı otomatik grad sistemi
seaborn			Seaborn, matplotlib tabanlı bir Python görselleştirme kütüphanesidir.
Fizyolojik sinyal ve açıklama verilerini okumak, yazmak, işlemek ve çizmek için kullanılan	WFDB