Электрокардиограмма (ЭКГ) — это тест, который используется для оценки работы сердца. Электроды размещаются в определенных точках на груди, руках и ногах. Затем эти электроды подключаются к аппарату ЭКГ проводами отведений. Затем измеряется, интерпретируется и распечатывается электрическая активность сердца.
- Распознавание биометрических данных ЭКГ: обзор, системное предложение и контрольная оценка (arXiv)
Автор:Пьетро Мельци, Рубен Толосана, Рубен Вера-Родригес
Аннотация:Электрокардиограммы (ЭКГ) продемонстрировали уникальные закономерности для различения разных субъектов и представляют важные преимущества по сравнению с другими биометрическими характеристиками, такими как сложность подделки, обнаружение жизнеспособности и повсеместность. Кроме того, благодаря успеху технологий глубокого обучения в последние годы все больший интерес вызывает биометрическое распознавание ЭКГ. Однако оценить улучшения предложенных новых методов ЭКГ непросто, в основном из-за отсутствия общедоступных данных и стандартных экспериментальных протоколов. В этом исследовании мы проводим обширный анализ и сравнение различных сценариев биометрического распознавания ЭКГ. Исследуются как задачи верификации, так и задачи идентификации, а также одно- и многосессионные сценарии. Наконец, мы также проводим эксперименты с ЭКГ в одном и нескольких отведениях, рассматривая традиционные сценарии с использованием электродов в грудной клетке и конечностях и современных удобных носимых устройств. Кроме того, мы представляем ECGXtractor, надежную технологию глубокого обучения, обученную с использованием собственной крупномасштабной базы данных и способную успешно работать в различных сценариях и с несколькими базами данных. Мы представляем наш предлагаемый экстрактор признаков, обученный множеству сердечных сокращений синусового ритма, принадлежащих 55 967 субъектам, и предоставляем общедоступную оценку производительности с подробным экспериментальным протоколом. Мы оцениваем производительность системы по четырем различным базам данных: i) наша внутренняя база данных, ii) PTB, iii) ECG-ID и iv) CYBHi. Используя широко используемую базу данных PTB, мы достигаем одинакового уровня ошибок 0,14 % и 2,06 % при проверке и точности 100 % и 96,46 % при идентификации соответственно при анализе одного и нескольких сеансов. Мы публикуем исходный код, сведения об экспериментальном протоколе и предварительно обученные модели на GitHub, чтобы продвигаться в этой области.
2. Анализ оцифрованных сигналов ЭКГ на основе методов искусственного интеллекта и спектрального анализа, специализированных на ARVC (arXiv)
Автор: Василеос Э. Папагеоргиу, Томас Зегкос, Георгиос Эфтимиадис, Георгий Цаклидис
Аннотация: Аритмогенная кардиомиопатия правого желудочка (АКПЖ) — наследственное заболевание сердечной мышцы, появляющееся между вторым и четвертым десятилетием жизни пациента и являющееся причиной 20% внезапных сердечных смертей в возрасте до 35 лет. Эффективная и своевременная диагностика этого заболевания на основе электрокардиограмм (ЭКГ) может сыграть жизненно важную роль в снижении преждевременной смертности от сердечно-сосудистых заболеваний. В нашем анализе мы сначала описываем процесс оцифровки бумажных сигналов ЭКГ, усиленных пространственным фильтром, с целью устранения темных областей в изображениях набора данных, которые не соответствуют форме волны ЭКГ, создавая нежелательный шум. Затем мы предлагаем использовать сверточную нейронную сеть низкой сложности для обнаружения аритмогенного заболевания сердца, которое до сих пор не изучалось с использованием методологии глубокого обучения, достигая высокой точности классификации по заболеванию, являющемуся основным критерием идентификации которые представляют собой бесконечно малые милливольтовые вариации морфологии ЭКГ, в отличие от других аритмогенных аномалий. Наконец, с помощью спектрального анализа мы исследуем существенные различия в области частот между нормальными ЭКГ и ЭКГ, соответствующими пациентам, страдающим АДПЖ. Общее исследование, проведенное в этой статье, подчеркивает важность интеграции математических методов в исследование и эффективную диагностику различных заболеваний с целью внесения существенного вклада в их успешное лечение.
3.MetaVA: метаобучение учебной программы и предварительная тонкая настройка глубоких нейронных сетей для обнаружения желудочковых аритмий на основе ЭКГ (arXiv)
Автор: Вэньруй Чжан, Шицзя Гэн, Чжаоцзи Фу, Линлинь Чжэн, Чэньян Цзян, Шенда Хун
Аннотация: Желудочковые аритмии (ЖА) являются основной причиной внезапной сердечной смерти. Разработка методов машинного обучения для выявления ЖА на основе электрокардиограмм (ЭКГ) может помочь спасти жизни людей. Однако разработка таких моделей машинного обучения для ЭКГ является сложной задачей из-за следующего: 1) разнообразие на уровне группы от разных субъектов и 2) разнообразие на индивидуальном уровне от разных моментов одного субъекта. В этом исследовании мы стремимся решить эти проблемы на этапах предварительной подготовки и тонкой настройки. Для этапа предварительного обучения мы предлагаем новую модель независимого метаобучения (MAML) с методом обучения по учебной программе (CL) для решения проблемы разнообразия на уровне группы. Ожидается, что MAML лучше перенесет знания из большого набора данных и будет использовать только несколько записей, чтобы быстро адаптировать модель к новому человеку. Предполагается, что CL еще больше улучшит MAML за счет метаобучения от простых задач к сложным. На этапе тонкой настройки мы предлагаем улучшенную предварительную тонкую настройку для решения проблемы разнообразия на индивидуальном уровне. Мы проводим эксперименты, используя комбинацию трех общедоступных наборов данных ЭКГ. Результаты показывают, что наш метод превосходит сравниваемые методы по всем показателям оценки. Исследования абляции показывают, что MAML и CL могут помочь работать более равномерно, а предварительная точная настройка может лучше адаптировать модель к данным обучения.
4. Проектирование медицинской системы мониторинга ЭКГ с федеративным трансферным обучением и объяснимым искусственным интеллектом (arXiv)
Автор: Али Раза, Ким Фук Тран, Людовик Кёль, Шуджун Ли
Аннотация: Глубокое обучение играет жизненно важную роль в классификации различных аритмий с использованием данных электрокардиографии (ЭКГ). Тем не менее, для обучения моделей глубокого обучения обычно требуется большой объем данных, что может привести к проблемам с конфиденциальностью. К сожалению, большой объем медицинских данных не может быть легко собран из одного источника. Кроме того, модели глубокого обучения подобны черному ящику, не поддающемуся объяснению прогнозируемых результатов, что часто требуется в клинической медицине. Это ограничивает применение глубокого обучения в реальных системах здравоохранения. В этой статье мы разрабатываем новую объяснимую структуру глубокого обучения на основе искусственного интеллекта (XAI) в федеративных условиях для медицинских приложений на основе ЭКГ. Параметр федерации используется для решения таких проблем, как доступность данных и конфиденциальность. Кроме того, предлагаемая настройка структуры эффективно классифицирует аритмии с использованием автокодировщика и классификатора, основанных на сверточной нейронной сети (CNN). Кроме того, мы предлагаем модуль на основе XAI поверх предложенного классификатора для объяснения результатов классификации, которые помогают практикующим врачам принимать быстрые и надежные решения. Предлагаемая структура была обучена и протестирована с использованием базы данных MIT-BIH Arrhythmia. Классификатор достиг точности до 94% и 98% для обнаружения аритмии с использованием зашумленных и чистых данных соответственно с пятикратной перекрестной проверкой.
5. Повышение надежности DNN для классификации сигналов ЭКГ: перспектива соотношения шум/сигнал (arXiv)
Автор: Линьхай Ма, Лян Лян
Аннотация:Электрокардиограмма (ЭКГ) является наиболее широко используемым диагностическим инструментом для наблюдения за состоянием сердечно-сосудистой системы. Глубокие нейронные сети (DNN) были разработаны во многих исследовательских лабораториях для автоматической интерпретации сигналов ЭКГ для выявления потенциальных аномалий в сердце пациентов. Исследования показали, что при достаточно большом количестве данных точность классификации DNN может достигать уровня человека-эксперта-кардиолога. Автоматизированная система диагностики ЭКГ на основе DNN станет доступным решением для пациентов в развивающихся странах, где не хватает специалистов-кардиологов. Однако, несмотря на отличные показатели точности классификации, было показано, что DNN очень уязвимы для атак со стороны противника: незначительные изменения во входных данных DNN могут с высокой достоверностью привести к неправильному результату классификации. Таким образом, важно и сложно повысить устойчивость DNN к состязательным действиям для классификации сигналов ЭКГ, жизненно важного приложения. В этой работе мы предложили повысить надежность DNN с точки зрения отношения шум/сигнал (NSR) и разработали два метода минимизации NSR в процессе обучения. Мы оценили предлагаемые методы на наборе данных PhysionNets MIT-BIH, и результаты показывают, что предлагаемые нами методы приводят к повышению устойчивости к состязательной атаке PGD и атаке SPSA с минимальным изменением точности на чистых данных.