Данные экг расшифровка: принцип, регистрация, расшифровка, что показывает, нормальная электрокардиография, патологии в электрокардиограмме, как проходит диагностика, методы и когда нужно делать

alexxlab Разное

Содержание

Расшифровка, описание и интерпретация электрокардиографических данных (ЭКГ)

Расшифровка и описание специалистом графика электрокардиограммы (электрической активности сердца), демонстрирующего особенности работы сердца. 

Расшифровку делает врач функциональной диагностики или  кардиолог. 

На основании данных электрокардиографии врач оценит состояние и работу сердца, определит ранее перенесённые заболевания, исключит или подтвердит опасные патологии.

Медицинская услуга включает в себя:

  • изучение графика специалистом;
  • письменное заключение.

Расшифровка

Электрокардиография позволяет выявить:

  • инфаркт миокарда;
  • аритмию;
  • ишемические процессы;
  • дистрофические процессы;
  • нарушения метаболизма;
  • заболевания сердечной мышцы;
  • наличие признаков гипертрофии сердца;
  • гипертрофию желудочков.

Расшифровку ЭКГ делает врач. Информация о работе сердца графически представлена в виде ломаных линий и интервалов, где каждый участок отображает состояние сердечной мышцы. Врач детально анализирует полученные данные, учитывает общую клиническую картину пациента, определяет возможные отклонения от нормы.

Учитываются следующие показатели электрической активности сердца:

  • зубец P демонстрирует степень сокращений и расслаблений предсердий; 
  • интервал PQ определяет длительность распространения возбуждения по желудочкам;
  • зубец R демонстрирует раздачу импульса по миокарду;
  • зубец Q демонстрирует начало распределения возбуждения по межжелудочковой перегородке;
  • сегмент ST показывает прохождение импульса;
  • зубец T отражает реполяризацию миокарда.

При нормальной работе сердца, импульсы следуют в определённой последовательности строго с определёнными интервалами.

Полученные результаты ЭКГ врач сравнивает с нормой, на основании сравнения делает заключение о наличии патологий и заболеваний сердца.


Показания к обследованию

С помощью ЭКГ диагностируют различные сердечные патологии, в том числе: аритмию, изменение размеров желудочков и предсердий, воспалительные и дистрофические процессы в миокарде, ишемию и некоторые лёгочные патологии. 

ЭКГ с расшифровкой обычно назначается в следующих случаях:

  • Стандартная диспансеризация.
  • Подготовка к оперативным вмешательствам.
  • Одышка в покое.
  • Постоянные головокружения и обморочные состояния.
  • Непереносимость физических нагрузок.
  • Лишний вес.
  • Гипертоническая болезнь.
  • Пороки сердца, сердечная недостаточность.
  • Беременность (диагностика необходима в связи со сменой круга кровообращения).
  • Оценка профессиональной пригодности.
  • Факторы риска: курение, употребление алкоголя, длительные стрессы и переутомление.

Подготовка к обследованию

Специальной подготовки не требуется.

Снятие ЭКГ с расшифровкой врачом в Ивантеевке: показания, стоимость

Электрокардиография (ЭКГ) — это доступный, надежный, высокоинформативный и безопасный метод диагностики сердечно-сосудистых заболеваний, в основе которого лежит принцип регистрации электрических импульсов, возникающих во время сердечных сокращений.

Электрокардиография (ЭКГ) — это доступный, надежный, высокоинформативный и безопасный метод диагностики сердечно-сосудистых заболеваний, в основе которого лежит принцип регистрации электрических импульсов, возникающих во время сердечных сокращений.

1

Профилактическая оценка работы сердца, в особенности у беременных;

2

Выявление рисков возникновения патологий сердечно-сосудистой системы в присутствии предрасполагающих факторов: наследственность, сопутствующие заболевания — напр., сахарный диабет, длительное курение и употребление алкоголя, склонность к повышенному давлению и др.;

3

Подтверждение/опровержение наличия сердечно-сосудистых заболеваний при наличии характерных симптомов: частые головокружения, учащенное или нерегулярное сердцебиение, обмороки, затрудненное дыхание и т.д.;

4

Дифференциальная диагностика обнаруженных нарушений и выбор схемы лечения;

5

Контроль эффективности назначенной терапии и установление необходимости внесения корректировок;

6

Проверка работы имплантатов, напр., кардиостимуляторов.

Информативность

Безболезненность

Процедура не вызывает дискомфортных ощущений, не влияет на работу организма и занимает не более 10 минут.

Электрокардиография сердца (ЭКГ) может выполняться без предварительной подготовки. Однако чтобы результат обследования был максимально объективным, рекомендуем придерживаться нескольких простых правил:

• за сутки до процедуры желательно ограничить физическую активность и обеспечить полноценный сон;

• с вечера ограничить прием жидкостей, в особенности, энергетических и кофеиносодержащих напитков (крепкого чая, кофе), полностью исключить употребление алкоголя;

• принимать пищу не позднее, чем за 2 часа до процедуры;

• не использовать крема и лосьоны для тела;

• за несколько часов до обследования воздержаться от курения;

• на обследование приходить заранее — за 10-15 минут до процедуры желательно присесть и расслабиться для нормализации сердечного ритма.

Надеемся, что данная информация была для вас полезна!

Напоминаем, что раннее обнаружение патологий позволяет принять своевременные меры! Лучше пройти профилактическую диагностику, чем устранять последствия запущенного заболевания.

Данное исследование не является диагнозом. При обнаружении нарушений сердечно-сосудистой деятельности врачом могут быть назначены дополнительные исследования.

ИМЕЮТСЯ ПРОТИВОПОКАЗАНИЯ, ПРЕДВАРИТЕЛЬНО НЕОБХОДИМО
ПРОКОНСУЛЬТИРОВАТЬСЯ СО СПЕЦИАЛИСТОМ.

О каких болезнях может рассказать ЭКГ?

Электрокардиография вот уже несколько десятилетий остается одним из самых востребованных, универсальных и информативных методов диагностики заболеваний сердца. Ее назначают пациентам любого пола и возраста, в обязательном порядке проводят во время беременности и для подготовки к операциям. Давайте посмотрим, о чем могут рассказать результаты ЭКГ и узнаем как их правильно интерпретировать.

История метода

Официальной датой начала истории электрокардиографии считается 1906 г., в котором врач из Голландии Биллем Эйнтховен снял у своего пациента первую в мире кардиограмму. Для этого он использовал собственноручно созданный гальванометр струнного типа. Впоследствии за это изобретение доктор Эйнтховен получил Нобелевскую премию по медицине. С тех пор приборы сильно изменились и усовершенствовались. Если в прошлом веке показатели фиксировались на магнитофонную кассету, то сегодня это легко можно делать на цифровой носитель, который обрабатывается специальным программным обеспечением, помогающим ставить диагноз.

Однако совершенных и многофункциональных электрокардиографов не достаточно для качественного исследования. Специалист, который его проводит, должен знать правила снятия ЭКГ и его расшифровки, т.к. компьютер далеко не всегда может сопоставить все нюансы.

Как правильно снимать ЭКГ?

ЭКГ можно проводить как амбулаторно, так и в стационаре. Основное, на что необходимо обратить внимание, — это правильное расположение электродов и подключение кабелей к ним.

Чтобы снять показания в стандартных и усиленных отведениях требуется три активных электрода: красный, желтый и зеленый. Они накладываются на обе руки и левую ногу. В результате образуя треугольник Эйнтховена. На правую ногу накладывается черный электрод с функцией заземления.

Помимо этого шесть электродов накладываются на грудь:

  • V1 — в 4 межреберье по правому краю грудины;
  • V2 — в 4 межреберье по левому краю грудины;
  • V3 — между вторым и четвертым электродом;
  • V4 — в 5 межреберье по левой срединно-ключичной ли­нии;
  • V5 — на одном уровне с V4, по левой подмышечной линии;
  • V6 — по левой срединной подмышечной линии.

Во время снятия ЭКГ пациент должен находиться в полном покое, а также исключены всевозможные помехи.

Как расшифровать кардиограмму?

Показатели работы сердечной мышцы фиксируются на кардиограмме в формате графика из непрерывной линии. Также на ней присутствуют различные отметки, буквы и цифровые обозначения. То, как электрическое возбуждение распространяется по разным отделам сердца, отражается с помощью интервалов, зубцов, а также сегментов различного размера. Для правильной расшифровки кардиограммы необходимо учитывать абсолютно все характеристики и показатели. Поэтому заниматься таким комплексным анализом должен только специалист, даже если программное обеспечение дает подсказки для постановки первичного диагноза.

О каких патология расскажет ЭКГ?

Патологии, которые диагностируются с помощью ЭКГ можно разделить на три больших группы.

  1. Острый коронарный синдром или предынфарктное состояние — данную патологию и связанные с ней изменения можно выявить с помощью ЭКГ на ранних стадиях и предотвратить развитие инфаркта миокарда. На кардиограмме он чаще всего определяется по измененному «Т» зубцу, но в некоторых случаях сегмент ST может оставаться неизмененным.
  2. Нарушения сердечного ритма — могут быть различного вида и происхождения, но всегда довольно отчетливо видны на ЭКГ по неравномерным зубцам и сегментам. Без кардиограммы оценить состояние водителей ритма не представляется возможным.
  3. Увеличение объемов желудочков — может быть подвержен как один, так и оба сегмента. Для диагностики данной патологии на кардиограмме обращают внимание на R-зубец, а также на комплекс QRS.

Феномены, которые можно выявить на ЭКГ

Помимо патологий, описанных выше, есть ряд феноменов, которые нельзя выявить никакими другими способами, кроме ЭКГ. К ним относятся:

  • блокада ножек пучка Гиса;
  • синдром Лауна-Ганонга-Левина;
  • увеличение QT-интервала;
  • синдром WPW и другие.

Кроме того, электрокардиография позволяет получить важные данные при таких патологиях, как тромбоэмболия легочной артерии, перикардите и миокардите. При подозрении на них или высоком риске возникновения обязательно нужно назначить пациентам ЭКГ.

ЭКГ (электрокардиография)

Электрокардиография — метод исследования деятельности сердца посредством регистрации биоэлектрических полей сердца. Электрокардиография давно стала обязательным исследованием не только у людей, страдающих заболеваниями, но и при проведении медиицнских осмотров у здоровых. Результатом проведения электрокардиографии является получение электрокардиограммы.

Как проводится ЭКГ? Пациент раздевается сверху по пояс и ложится на кушетку. Для измерения разности потенциалов на различные участки тела накладываются электроды. Так как плохой электрический контакт между кожей и электродами создает помехи, то для обеспечения проводимости на участки кожи в местах контакта наносят токопроводящий гель. Или  используются марлевые салфетки, смоченные солевым раствором. 

Каждая  измеряемая разность потенциалов в электрокардиографии называется отведением. Традиционно электроды накладываются на две руки и левую ногу, четвертый электрод (как правило, черного цвета) — заземлящий, накладывается на правую ногу. Таким образом, получают I, II, III стандартные отведения и 3 усиленных отвдения:aVL, aVF, aVR. Кроме электродов на конечности, к телу пациента прикрепляются 6 грудных электродов, с помощью которых удается получить показатели 6 стандартных грудных отведений. Стандартная электрокардиограмма является записью показателей с этих двенадцати отведений.

Что можно диагностировать при помощи электрокардиограммы?

Главные показатели, изучаемые при проведении электрокардиографии это:

— сердечный ритм (источник ритма, правильность сердечного ритма),

— положение электрической оси сердца,

— частота сердечных сокращений,

— проводимость электрического импульса по сердцу.

На основании этих данных врач может судить о наличии признаков различных заболеваний сердечно-сосудистой системы. Электрокардиография чаще всего помогает при диагностике следующих заболеваний:

— ишемическая болезнь сердца,

— инфаркт миокарда, постинфарктный кардиосклероз,

— нарушения ритма и проводимости (блокада, экстрасистолия, трепетание и фибрилляция различных отделов сердца),

— хроническая сердечная недостаточность,

— миокардит,

— осложнения гипертонической болезни.

Электрокардиография —  недорогой, но ценный метод в кардиологии. При помощи него врач может получить много важной информации о состоянии Вашей сердечно-сосудистой системы. Если Вас что-то беспокоит в деятельности сердца — приходите на ЭКГ в центр семейной медицины «Ладамед».

Запись на исследование по телефону: (8332) 22-03-03

 

 

ЭКГ по Холтеру: показания, противопоказания, подготовка

Суточное мониторирование ЭКГ по Холтеру — это метод исследования, применяемый в кардиологии, при котором в течение 24 часов происходит регистрация электрокардиограммы, частоты и ритма пульса. 

 Показания к проведению мониторирования ЭКГ по Холтеру

Чаще всего назначается по показаниям врача-кардиолога. Причины для назначения исследования могут быть разнообразными. 
Вот самые частые из них: 

  • Впервые выявленные нарушения ритма сердца.
  • Жалобы на периодические или постоянные перебои в работе сердца. 
  • Обмороки «без причины». 
  • Оценка работы установленного кардиостимулятора
  • Ишемическая болезнь сердца, перенесенный инфаркт миокарда в анамнезе. 
  • Пороки сердца, в том числе впервые выявленные
  • Кардиомиопатии.
  • Гипертоническая болезнь 
     

Подготовка к электрокардиограмме по Холтеру

Поскольку ЭКГ по Холтеру подразумевает под собой ношение аппарата в течение 24 часов, то необходимо принять ванну или душ перед исследованием, поскольку во время ношения Холтера сделать этого не получится.

Мужчинам необходимо сбрить волосяной покров на грудной клетке. Вакуумные электроды прикрепляются к коже, а волосы на теле мешают адекватному создания вакуума.

Если Вы принимаете какие-либо препараты обязательно сообщите об этом врачу.

Методика проведения суточного мониторирования ЭКГ

После установки аппарата и электродов человек возвращается к обычному образу жизни с одним нюансом: необходимо в специальном «дневнике ЭКГ» записывать события дня: подъем после сна, завтрак, прогулка, физические нагрузки, стресс и так далее. Это необходимо для того, чтобы врач при расшифровке результатов сопоставлял данные ЭКГ и дневниковых записей.
Например, если вы занимались физической активностью: шли быстро на работу, то Ваш пульс может достигнуть уровня 90  ударов в минуту или выше, что считается нормой. Но если пульс в течение дня сохраняется на уровне 90 уд\мин или выше, или периодически возникает несколько раз в час вне зависимости от вашей деятельности, тогда уже врач начинает углубляться в подробности результатов и делать выводы.

 

ЭКГ по Холтеру в Екатеринбурге

В медицинском центре «Панацея» Вы можете записаться на суточное мониторирование ЭКГ по Холтеру. Наши опытные врачи подробно Вам расскажут о всех тонкостях ношения и правил обращения с аппаратурой. Расшифровка не занимает много времени: как правило не более 1 рабочего дня.

 

 

 

10 мобильных программ для обучения ЭКГ

Изучение основ электрокардиографии входит в обучающую программу всех медицинских факультетов и является обязательным навыком для врача. Для оптимизаци процесса и некоторого его облегчения нами был создан список приложений, содержащих в себе информацию о нормальных и патологических интерпритациях электрических потенциалов сердца.


Содержание сборника:

  1. Лечение ОКС — медицинский алгоритм
  2. КардиоЭксперт I — приложение для врачей кардиологов
  3. ECG Basics — Free (бесплатно)
  4. ЭКГ: Расшифровка и Тесты
  5. Electrocardiogram ECG Types — обучение ЭКГ
  6. EKG-card — оценка ЭКГ в кармане
  7. Интерпретация ЭКГ — мобильная программа
  8. ECG 100 Clinical Cases — клинические примеры ЭКГ
  9. Экстренная кардиология — игровое обучение
  10. СМП — протоколы

Лечение ОКС — медицинский алгоритм

Отличный медицинский алгоритм для оказания помощи при остром коронарном синдроме (ОКС), в Вашем андроид-смарфтоне, доступный совершенно бесплатно.

После запуска приложения проведите по экрану и перейдите на следующую страницу.

Отметьте данные пациента: длительность болевого синдрома, наличие или отсутствие появления ЭКГ признаков элевации ST или блокады ЛНПГ, время от начала болевого синдрома и время предполагаемой доставки пациента в центр проведения чрезкожных коронарных вмешательств (ЧКВ). После этого появятся диагноз и алгоритм лечения с указанием названий и доз медикаментов в соответствии с рекомендациями Европейского и Украинского обществ кардиологов.

При изменении данных пациента будет автоматически меняться диагноз и тактика лечения.

Скачивание — бесплатное. Язык контента — русский.

Android


КардиоЭксперт I — приложение для врачей кардиологов

Мобильное приложение для врачей-кардиологов в котором содержатся калькуляторы, шкалы, алгоритмы, справочная информация необходимая практикующим врачам.

Программа будет полезна как давно работающим специалистам, так и постигающим медицину студентам, старших курсов.

Язык интерфейса — русский. Скачивание — бесплатное.

Android


ECG Basics — Free (бесплатно)

Это медицинское приложение содержит все необходимые основы ЭКГ, которые помогут Вам в изучении и интерпретации диагностических данных.

  • В программе представлен ряд уникальных особенностей:
  • Вы можете делать заметки.
  • Интерпретировать текст в речь.
  • Делать аннотации и делиться важные моментами с друзьями!

Бесплатная версия состоит из 8 глав, которые охватывают все важные закономерности, возникающие в неотложной, кардиологической, медицинской помощи.

Содержание:

  • Введение и основные термины.
  • Брадикардии и нарушения атриовентрикулярной проводимости.
  • Предсердные аритмии.
  • Функциональная тахикардия.
  • Другие виды тахикардий.
  • Острый инфаркт миокарда
  • Ишемическая болезнь сердца.
  • Холтеровское мониторирование.

Язык программы — английский.

Android


ЭКГ: Расшифровка и Тесты

Мобильная программа, созданная для студентов медиков, фельдшеров, врачей, которая поможет в расшифровке ЭКГ.

С помощью простых примеров и тестирования можно быстро научиться правильно интерпретировать данные на электрокардиограмме, закрепить уже имеющиеся навыки.

Функционал приложения включает в себя:

  • Описание патологий с примерами кардиограмм и пояснениями.
  • Строение проводящей системы сердца.
  • Правила снятия и чтения электрокардиограмм.
  • Тесты, в которых вы сможете проверить свои знания и закрепить их в своей памяти.

Скачивание — бесплатное.

iOS


Electrocardiogram ECG Types — обучение ЭКГ

Эта обучающая, медицинская программа научит Вас определять различные типы ЭКГ — диагнозов.

Приложение идеально подходит для студентов медицинских ВУЗов, проходящих соответствующую тему по физиологии, пропедевтике и кардиологии.

Язык интерфейса — английский. Скачивание — бесплатное.

Android


EKG-card — оценка ЭКГ в кармане

Медицинское приложение, которое представляет собой пособие для оценки ЭКГ.

«ЭКГ-Card ™» — предлагает отличный обзор с практической, удобной и надежной подачей информации для врачей, ординаторов и студентов медицинских работников.

Программа включает в себя определения, данные и множество видов описания ритма.

Содержание:

  • Вычисление ЧСС
  • Вычисление электрической оси
  • Определение интервала QT (информация и расчеты)
  • Гипертрофия правого предсердии
  • Гипертрофия правого желудочка
  • Гипертрофия левого предсердия
  • Гипертрофия левого желудочка
  • Атрио-вентрикулярная блокада
  • Mobitz I (Венкебаха)
  • Mobitz II
  • Блокада правой ножки пучка Гиса
  • Блокада левой ножки пучка Гиса
  • Нормальный синусовый ритм
  • Синдром преждевременной реполяризации
  • Преждевременное возбуждение предсердий
  • Фибрилляция предсердий
  • Преждевременная деполяризация желудочков
  • Пароксизмальная предсердная тахикардия
  • Мультифокальная предсердная тахикардия
  • Суправентрикулярная тахикардия
  • Трепетание предсердий
  • Бигеминия
  • Тригеминия
  • Ускоренный идиовентрикулярный ритм
  • Желудочковая тахикардия
  • Мерцание желудочков
  • Асистолия
  • Ишемия
  • Изменения на ЭКГ при экстракардиальной патологии (наркотики, болезни)

Язык приложения — английский.

Android $1.63  iOS $1.99 


Интерпретация ЭКГ — мобильная программа

Медицинская андроид-программа, предоставляющая расшифровку основных ЭКГ признаков кардиологических синдромов с рисунками и подробным описанием.

Программа будет полезна как студентам медицинских ВУЗов, так и практикующим врачам, желающим повторить свои навыки в определении патологии.

Язык контента — английский. Загрузка — бесплатная.

Android


ECG 100 Clinical Cases — клинические примеры ЭКГ

Эта медицинская программа позволяет виртуально практиковаться в клинической кардиологии, благодаря 100 различным случаям, которые могут помочь Вам диагностировать сердечную патологию.

Приложение будет полезно для студентов медицинских учебных заведений, при прохождении темы — ЭКГ на различных кафедрах.

Скачайте и изучайте кардиологию совершенно бесплатно. Язык контента — английский.

Android


Экстренная кардиология — игровое обучение

Программа для врачей, позволяющая в учебно-игровой мультимедийной форме, имитировать экстренные кардиологические состояния и их виртуальное лечение.

Компьютерное моделирование кардиологических состояний основано на вычислении основных гемодинамических показателей, характерных для определенного заболевания:

  • Артериальное давление (АД)
  • Частота пульса (ЧСС) и дыхания (ЧД)
  • Минутный объём кровообращения (МОК)
  • Объём циркулирующей крови (ОЦК)
  • Общее периферическое сосудистое сопротивление (ОПСС)
  • Легочно-сосудистое сопротивление (ЛСС)
  • Давление заклинивания легочных капилляров (ДЗЛК)
  • Центральное венозное давление (ЦВД)
  • Ряда эхо-кардиографических показателей:
    — Размер левого предсердия (ЛП)
    — Конечно-диастолический объём (КДО)
    — Толщина межжелудочковой перегородки (МЖП)
    — Давление в легочной артерии (ЛА ср)
    — Фракция выброса (ФВ)

Для расчета изменяемых при разных заболеваниях показателей гемодинамики применены известные математические формулы (законы) гемодинамики. Имитация лечения основана на фармакологических свойствах медикаментов, влияющих на основные гемодинамические показатели.

Протоколы лечения примененные в программе, основаны на рекомендациях Европейского общества кардиологов.

Скачивание — бесплатное. Язык контента — русский.

Android


СМП — протоколы

Приложение содержит клинические протоколы (стандарты диагностики и лечения), приказы и постановления разработанные МЗ РБ, для Скорой Медицинской Помощи.

Так же в приложении присутствует:

  • Небольшой кодификатор МКБ-10
  • Шкала Глазго для взрослых и детей старше 4-х лет
  • Обучающее видео (аппаратура, интубация и др.)
  • Обучающее видео по ЭКГ
  • Схема осмотра пациента
  • Схема описания карты вызова
  • Шпаргалки и различные таблицы для облегчения работы на СМП.

Скачивание программы — бесплатное.

Android

ПРОГРАММНАЯ РЕАЛИЗАЦИЯ СИСТЕМЫ КОМПЬЮТЕРНОГО АНАЛИЗА ЭКГ С РАСШИРЕННЫМИ ВОЗМОЖНОСТЯМИ АВТОМАТИЗИРОВАННОГО ПОИСКА ХАРАКТЕРНЫХ УЧАСТКОВ

Электрокардиография представляет собой недорогой, но достаточно информативный метод кардиологического исследования. Результатом электрокардиографии является электрокардиограмма (ЭКГ) — графическое представление разности потенциалов, возникающих в результате работы сердца.

В кардиологической практике широко используется компьютерный анализ ЭКГ, основной целью которого является освобождение врача от значительной части рутинной работы. При этом можно автоматизировать распознавание особых точек и участков ЭКГ. Также поддается автоматизации этап дальнейшего анализа выделенных участков ЭКГ. Существует много алгоритмов выделения особых точек ЭКГ и методик анализа ЭКГ [1].

Постановка диагноза не может быть полностью автоматизирована, окончательный диагноз ставит врач. Использование компьютерного анализа ЭКГ, повышает производительность врача, но и в этом случае объем информации, которую нужно проанализировать врачу для постановки диагноза остаются значительным.

Для повышения производительности врача авторским коллективом предложена система компьютерного анализа ЭКГ, в которой реализованы функции двух видов:

1.     Функции выполнения аннотирования ЭКГ, назначение которых заключается в выполнении автоматического распознавания особых точек ЭКГ и присвоении каждой такой точке некоторого уникального кода.

2.     Функции, реализующие расширенные возможности автоматизированного поиска характерных участков (линий) ЭКГ. Каждая линия состоит из участка ЭКГ начинающегося в аннотированной точке с заданным кодом, включая эту точку, и заканчивающегося в следующей аннотированной точке с заданным кодом, не включая эту точку.

В дальнейшем данная система будет дополняться функциями, реализующими различные методики анализа ЭКГ. Но, даже в существующем виде система значительно повышает производительность врача. Это достигается за счет качества пользовательского интерфейса рабочего места врача, качества аннотирования и возможностей поиска произвольных линий ЭКГ.

На данном этапе реализован прототип системы, обладающий следующий функциональностью:

1.     Ввод данных ЭКГ из файлов в формате банка PhysioBank [2].

2.     Просмотр сигнала ЭКГ на графике с возможностью выбора и просмотра отдельных участков (окон) ЭКГ.

3.     Запоминание параметров выбранных окон и передвижение по ним.

4.     Автоматическое аннотирование ЭКГ.

5.     Перемещение по аннотированным точкам.

6.     Перемещение по зубцам R.

7.     Выбор начального кода аннотации и автоматический поиск линий ЭКГ.

8.     Выбор линии и перемещение по выбранным линиям ЭКГ.

Рассмотрим некоторые аспекты программной реализации системы. Реализация системы выполнена в среде LabVIEW [3]. Такой выбор обусловлен тем, что LabVIEW обладает широкими возможностями по обработке сигналов и позволяет быстро создавать приложения. При аннотировании ЭКГ используются исходный код библиотеки, представленной в работе [4, 6].

Исходные данные программы представляются собой массив вещественных чисел D размера lenD. Элемнт массива D[i] содержит оцифрованное значение сигнала ЭКГ в i-ый момент времени (отсчет сигнала ЭКГ). Аннотация ЭКГ сохраняется в виде двух массивов AT и AS размера lenA. Элемент AT[j] содержит код аннотации присвоенный j-ой особой точке ЭКГ. Элемент AS[j] содержит номер отсчета этой особой точки.

В настоящее время система распознает 44 особых точки ЭКГ. С особыми точками ЭКГ связываются некоторые цепочки символов, раскрывающие смысловое содержание аннотации в этой точке. Каждая цепочка имеет уникальный код, поэтому можно считать, что с каждой особой точкой ЭКГ связан некоторый символ аннотации с данным кодом. Аннотации и соответствующие цепочки символов сведены в таблицу№1.

Таблица 1

Коды аннотации

Table 1

Annotations codes

Цепочка

Аннотация

Код

Аннотация

1.

NotQRS

Нет QRS комплекса

23.

STCH

ST изменение

2.

N

Нормальный ритм

24.

PACESP

Блокада

3.

LBBB

Блокада левой ножки пучка Гиса

25.

T

Зубец T

4.

RBBB

Блокада правой ножки пучка Гиса

26.

RTM

Изменения ритма

5.

ABERR

Ранняя предсердная экстрасистола

27.

LEARN

Обучение

6.

PVC

Желудочковая экстрасистола

28.

FLWAV

Волны трепетание желудочков

7.

FUSION

Слияние желудочкового и нормального ритма

29.

VFON

Начало фибрилляции

8.

NPC

Узловая экстрасистола

30.

VFOFF

Конец фибрилляции

9.

APC

Предсердная экстрасистола

31.

AESC

Предсердный выскальзывающий импульс

10.

SVPB

Преждевременная или эктопическая суправентрикулярная экстрасистола

32.

SVESC

Суправентрикулярный выскальзывающий импульс

11.

VESC

Желудочковый ритм

33.

NAPC

Нет проведения зубца P

12.

NESC

Узловой ритм

34.

PFUSE

Переход в сунусовый  ритм

13.

PACE

Ритм

35.

FLWAV

Волны трепетание желудочков

14.

Q

Зубец Q

36.

RONT

Экстрасистолия по типу R на Т

15.

ARFCT

Изолированный QRS комплекс

37.

(p

Начало зубца P

16.

STCH

ST изменение

38.

p)

Конец зубца P

17.

TCH

Изменение волны Т

39.

(t

Начало зубца T

18.

SYSTOLE

Систола

40.

t)

Конец зубца T

19.

DIASTOLE

Диастола

41.

ECT

Электрокардиостимулятор

20.

MEASURE

Параметр аннотации

42.

R

Зубец R

21.

P

Зубец P

43

S

Зубец S

22.

BBB

Левая или правая ножки пучка Гиса

44.

RONT

Экстрасистолия по типу R на Т

При проектировании системы широко использовались конечные автоматы. Такой подход обусловлен тем, что фактически аннотация ЭКГ представляют собой язык L=w, где w – алфавит, состоящий из 44 символов с кодами, которые могут быть присвоены особым точкам ЭКГ при выполнении автоматического аннотирования. Язык L относится к классу регулярных языков, а для формализации процессов обработки цепочек регулярного языка хорошо подходят конечные автоматы.

Проиллюстрируем использование конечных автоматов при проектировании функций, реализующих расширенные возможности автоматизированного поиска линий ЭКГ. Для хранения линий ЭКГ использовалась структура гнездового типа, представленная на рис.1. Линии ЭКГ сохраняются в массиве LT. На начало i-ой линии указывает i-ый элемент массива uLT размера numL+1, где numL – число линий. Таким образом, i-я линия ЭКГ состоит из аннотированных точек со следующими кодами: LT[uLT[i]],…,LT[uLT[i+1]-1], а размер массива LT равен uLT[numL+1]-1.

Рис.1. Структуры данных для хранения линий ЭКГ

Fig.1. Data structures for storing ECG lines

Формирование данной структуры осуществляет конечный автомат, представленный на рис.2 в виде диаграммы состояний UML [5].

 

Рис.2. Диаграмма состояний конечного автомата, формирующего структуру данных для хранения линий ЭКГ

Fig.2. The state diagram of a finite automaton, forming a data structure for storing ECG lines

Код аннотации начальной точки линии хранится в переменной cl. Текущая линия сохраняется в массиве L длины lenL. Также в автомате используются функции SearchL() и AddL(). Функция SearchL() осуществляет поиск линии L в структуре LT, uLT. Данная функция возвращает: 0 — линия аннотации не уникальна; 1 — линия аннотации уникальна и может быть добавлена в структуру LT, uLT; -1 — линия аннотации уникальна, но для ее добавления в структуру LT, uLT нет места в массиве LT; -2 — линия аннотации уникальна, но для ее добавления в структуру LT, uLT нет места в массиве uLT. Функция AddL() добавляет линию L в структуру LT, uLT. Также в автомате распознаются следующие ситуации: 0 — не найден начальный код линии аннотации; 1 — ошибок нет, линии аннотации выделены, структура LT, uLT сформирована; -3 — для массива L требуется больший размер.

На основе разработанного автомата создается функция. Все функции оформляются в виде dll. При этом используется язык Си и среда Microsoft Visual Studio. Всем возможным ситуациям нехватки памяти соответствуют уникальные коды, возвращаемые функциями. Функции вызываются из среды LabVIEW с помощью Call Library Function Node. После завершения работы функции анализируется возвращаемый код, и если возникла ошибка, связанная с нехваткой памяти, то в LabVIEW выделяется больше памяти и функция вызывается повторно. Для демонстрационной функции pr_mem10() такая схема проиллюстрирована на рис.3. Текст функции следующий:

int pr_mem10(int* arr,int *len) {

                            if (*len<10) return -1;

                   *len=10;

                   for(int i=0;i<*len;i++) arr[i]=i;

         return 0; }

При первом вызове функции pr_mem10() возникает ошибка, т.к. входной массив состоит из 7 элементов, а требуется 10. Перед вторым вызовом функции размер массива увеличивается на 7 и ошибка не возникает. На выход выдается массив A1=(0,1,2,3,4,5,6,7,8,9,0,0,0,0). Далее в вызывающей программе на LabVIEW из этого массива удаляются лишние элементы, и получается массив A2=(0,1,2,3,4,5,6,7,8,9).

Рис.3. Функциональной панель LabVIEW, иллюстрирующая вызов внешней функции, в которой может возникнуть ошибка нехватки памяти

Fig. 3. The functional LabVIEW panel illustrating the call of external function in which the memory error may occur

Отметим, что размеры используемых данных известны на этапе выполнения программы или хорошо предсказуемы. Поэтому ситуации, связанные с нехваткой памяти, крайне редки. Использование же статических структур позволяет повысить скорость обработки данных и отказаться от механизмов Labview Memory Manager, что в свою очередь позволяет создать независимые от LabVIEW библиотеки внешних функций.

После того как все линии ЭКГ найдены, пользователю предоставляется возможность выбрать интересующую его линию. После осуществления данного выбора формируется список начальных отсчетов выбранной линии. Эти действия осуществляет автомат представленный на рис.4. Номер выбранной линии записан в переменной nL. Список начальных отсчетов хранится в массиве LS размера lenLS. В автомате распознаются следующие ситуации: 0 — линия аннотации с номером nL не существует; 1 — ошибок нет, массив LS сформирован; -4 — для массива LS требуется больший размер. На основе данного автомата создается соответствующая функция. Реализация и вызов данной функции осуществляется аналогично функции, рассмотренной выше.

После того, как список начальных отсчетов выбранной линии сформирован, пользователю предоставляется возможность перемещаться по данным отсчетам с целью поиска характерных участков ЭКГ и их анализа.

Рис.4. Диаграмма состояний конечного автомата, формирующего список начальных отсчетов выбранной линии

Fig. 4. The state diagram of a finite automaton, generating a list of initial samples of a selected line

Итак, мы рассмотрели два автомата, которые служат для организации поиска и просмотра линий ЭКГ. Данные автоматы использовались при проектировании средств автоматизированного поиска характерных участков ЭКГ. В рассматриваемой системе конечные автоматы также применялись при проектировании других функций, например, расчета изолинии ЭКГ, преобразования форматов исходных данных и др. Использование конечных автоматов при проектировании системы позволило наглядно представить логику работы системы, избежать ошибок проектирования и в целом ускорить процесс создания системы.

Анализ результатов тестирования прототипа системы компьютерного анализа ЭКГ с расширенными возможностями автоматизированного поиска характерных участков позволяет сделать вывод о том, что достоверность расшифровки ЭКГ врачём-кардиологом с целью постановки диагноза повышается при существенном сокращении времени на выполнение этой процедуры. Это достигается за счет хороших результатов автоматического распознавания особых точек ЭКГ и автоматизированных средств поиска линий ЭКГ. 

IRJET-Запрошенная вами страница не найдена на нашем сайте Март 2022 г. Выполняется публикация…

Просмотр статей


IRJET Получен «Импакт-фактор научного журнала: 7,529» за 2020 год.

Подтвердить здесь Система управления качеством.


IRJET приглашает статьи из различных технических и научных дисциплин для тома 9, выпуск 4 (апрель 2022 г.) Документы


IRJET Получил «Импакт-фактор научного журнала: 7,529» за 2020 год.

Подтвердить здесь


IRJET Получил сертификат о регистрации ISO 9001:2008 для своей системы управления качеством.


IRJET приглашает статьи из различных технических и научных дисциплин для тома 9, выпуск 4 (апрель 2022 г.) Документы


IRJET Получил «Импакт-фактор научного журнала: 7,529» за 2020 год.

Подтвердить здесь


IRJET Получил сертификат о регистрации ISO 9001:2008 для своей системы управления качеством.


IRJET приглашает статьи из различных технических и научных дисциплин для тома 9, выпуск 4 (апрель 2022 г.) Документы


IRJET Получил «Импакт-фактор научного журнала: 7,529» за 2020 год.

Подтвердить здесь


IRJET Получил сертификат о регистрации ISO 9001:2008 для своей системы управления качеством.


IRJET приглашает статьи из различных технических и научных дисциплин для тома 9, выпуск 4 (апрель 2022 г.) Документы


IRJET Получил «Импакт-фактор научного журнала: 7,529» за 2020 год.

Подтвердить здесь


IRJET Получил сертификат о регистрации ISO 9001:2008 для своей системы управления качеством.


IRJET приглашает статьи из различных технических и научных дисциплин для тома 9, выпуск 4 (апрель 2022 г.) Документы


IRJET Получил «Импакт-фактор научного журнала: 7,529» за 2020 год.

Подтвердить здесь


IRJET Получил сертификат о регистрации ISO 9001:2008 для своей системы управления качеством.


IRJET приглашает статьи из различных технических и научных дисциплин для тома 9, выпуск 4 (апрель 2022 г.) Документы


IRJET Получил «Импакт-фактор научного журнала: 7,529» за 2020 год.

Подтвердить здесь


IRJET Получил сертификат о регистрации ISO 9001:2008 для своей системы управления качеством.


IRJET приглашает статьи из различных технических и научных дисциплин для тома 9, выпуск 4 (апрель 2022 г.) Документы


IRJET Получил «Импакт-фактор научного журнала: 7,529» за 2020 год.

Подтвердить здесь


IRJET Получил сертификат регистрации ISO 9001:2008 для своей системы управления качеством.


Границы | Обнаружение электрокардиограммы стимуляции с автоэнкодером на основе памяти и обучением метрике

1. Введение

Электрокардиограмма (ЭКГ) является важным инструментом в повседневной практике клинической медицины (Hannun et al., 2019), особенно для пациентов с кардиостимулятором. Применение кардиостимулятора эффективно облегчает состояние больных с пороками сердца и продлевает срок жизни больных. Но этим пациентам требуется регулярная госпитальная проверка кардиостимулятора и сердечных аномалий.Поэтому дистанционный мониторинг сердца у пациентов с кардиостимуляторами становится все более важным. Для своевременного обнаружения аномалий сердца компьютерная диагностика обеспечивает анализ ЭКГ в режиме реального времени без какого-либо ручного вмешательства врачей.

Обнаружение ЭКГ при кардиостимуляции по-прежнему сталкивается со многими проблемами. Во-первых, процедура дистанционной ЭКГ-диагностики содержит только ЭКГ-сигналы пациентов, и врачи не могут заранее проверить историю болезни пациента. Во-вторых, существуют разные характеристики морфологических признаков между кардиостимуляцией и обычной ЭКГ при одном и том же заболевании.И в клинических данных ЭКГ морфология ЭКГ пациента с кардиостимулятором интерферирует с кардиостимулятором, что вносит помехи в диагностику аномалий ЭКГ. Например, желудочковую стимуляцию часто путают с блокадой левой ножки пучка Гиса на обычной ЭКГ. Предположим, мы не сообщаем врачу, что удаленные данные ЭКГ исходят от пациента с кардиостимулятором. В этом случае врач может диагностировать определенные кардиостимуляторы как другие отклонения обычной ЭКГ. Чтобы решить вышеуказанные проблемы, мы создали обширную новую базу данных ЭКГ под названием «База данных ЭКГ кардиостимуляции», которая включает 800 образцов данных ЭКГ, аннотированных клиницистом.Насколько нам известно, это первая база данных сигналов ЭКГ, сталкивающаяся с ЭКГ кардиостимуляции. Автоматическое распознавание кардиостимулятора обеспечивает надежное руководство для точного выявления отклонений от нормы на ЭКГ, что может повысить эффективность классификации отклонений от нормы на ЭКГ.

В связи с недавним успехом автоэнкодера в качестве инструмента обнаружения временных рядов было предложено несколько многообещающих автоэнкодеров для обнаружения аномалий ЭКГ. В частности, обычно предполагается, что ошибка реконструкции, обученная традиционным автоэнкодером, будет ниже для обучающих данных входного типа.Напротив, ошибка реконструкции становится значимой для других аномалий. Таким образом, автоэнкодер (АЭ) обучается путем минимизации ошибки реконструкции в каждом классе, а затем использует целевую функцию, основанную на ошибке реконструкции, для классификации аномалий ЭКГ. Однако во многих работах доказано, что способность автоэнкодера к обобщению иногда может хорошо выражать другие аномальные выборки, которые входные данные не относятся к обучающему типу (Zong et al., 2018; Gong et al., 2019). Это связано с тем, что декодер хорошо справляется с декодированием некоторых аномальных кодировок, поэтому AE иногда также получает меньшую ошибку реконструкции для других аномалий ЭКГ.

Чтобы устранить недостаток традиционных AE, мы предлагаем новую модель автоэнкодера на основе памяти (MAE) для обнаружения кардиостимуляции, как показано на рисунке 1. В модели MAE мы сначала используем глубокий автоэнкодер для извлечения типичных особенностей высокоразмерные данные ЭКГ. Но декодер MAE напрямую не восстанавливает данные из кодировки. Мы добавили модуль памяти между энкодером и декодером. Модуль памяти предназначен для записи и запроса типичных характеристик типа ЭКГ с тренировочной кардиостимуляцией.MAE не передает функции кодировщика напрямую в декодер, а использует функции для извлечения наиболее важных элементов в модуле памяти. Эти функции агрегируются и доставляются в декодер. Между тем, мы дополнительно используем стратегию разреженного кодирования, чтобы вызвать разреженность для модуля памяти, который может легко сопоставить элементы памяти с запросом пространства признаков.

Рисунок 1 . Обнаружение аномалий ЭКГ с помощью предлагаемого MAE. Образец тренировки в базе данных ЭКГ кардиостимуляции, модуль памяти записывает скрытые признаки соответствующего типа ЭКГ тренировки.Учитывая входную выборку других типов, MAE запрашивает большинство скрытых корреляционных функций в модуле памяти для восстановления данных, в результате чего выходные данные значительно отличаются от входных данных. Но если входная выборка относится к обучающему типу. MAE может очень хорошо реконструировать в зависимости от модуля памяти.

Нас также вдохновляет метрическое обучение. Целью метрического обучения является изучение метрики расстояния, которая ставит одни и те же положительные типы близко друг к другу, а отрицательные — далеко.В этой статье МАЭ обучается путем минимизации ошибки целевой функции на ЭКГ при стимуляции, а затем использует ошибку целевой функции в качестве индикатора обнаружения ЭКГ при стимуляции. В процессе обучения особенности ЭКГ стимуляции запоминаются и сохраняются моделью МАЭ. Цель состоит в том, чтобы получить меньшую ошибку реконструкции для кардиостимуляции. В процессе обнаружения данные реконструкции декодера объединяются с функциями в модуле памяти. Поскольку данные реконструкции получаются из функции ЭКГ при стимуляции в модуле памяти, выходные данные декодера имеют тенденцию быть близкими к ЭКГ при стимуляции.В результатах, если входные данные не относятся к ЭКГ кардиостимуляции, целевая функция может получить значительную ошибку. Предложенный MAE предназначен не только для обнаружения ЭКГ при стимуляции, но также может быть применен для решения проблемы обнаружения других аномалий ЭКГ. Мы также применяем предлагаемый MAE в базе данных аритмии MIT-BIH. Эксперименты доказывают отличное обобщение и эффективность модели.

Подводя итог, можно сказать, что вклад этой статьи заключается в следующем.

(1) Новая структура автоэнкодера под названием MAE предлагается для обнаружения ЭКГ при стимуляции.Модуль памяти добавляется между энкодером и декодером. Модуль памяти используется для записи характеристик обучающих данных.

(2) Мы вводим новую целевую функцию, основанную на метрическом обучении, которая может лучше представлять ошибку среди различных типов. Из-за модуля памяти реконструкция имеет тенденцию быть близкой к типам обучения. Когда типы ввода не похожи на типы обучения, целевая функция имеет значительный балл.

(3) Мы собираем новую базу данных под названием «База данных ЭКГ кардиостимуляции» для оценки структуры MAE.База данных включает 800 аннотированных образцов, и все данные ЭКГ обезличены в соответствии с политикой конфиденциальности.

(4) Эксперименты, проведенные с базой данных ЭКГ кардиостимуляции, показывают, что предлагаемый MAE надежно улучшает характеристики ЭКГ кардиостимуляции. Для дальнейшего подтверждения обобщения структура MAE также применяется к базе данных MIT-BIH Arrhythmia Database и превосходит современные детекторы.

Напоминание о статье организовано следующим образом. Раздел 2 представляет связанные работы.Раздел 3 представляет предлагаемый метод автоэнкодера на основе памяти. Экспериментальные результаты и анализ приведены в разделе 4. Наконец, раздел 5 завершает эту статью.

2. Сопутствующая работа

В последние годы было предложено множество подходов для автоматической обработки физиологических сигналов в области искусственного интеллекта (Gao et al., 2018; Wang et al., 2020; Yao et al., 2020; Zhou and Tan, 2020). При обнаружении отклонений от нормы на ЭКГ производительность постоянно улучшается с точки зрения точности основных задач и контрольных показателей, таких как MIT-BIH (Moody and Mark, 2001), CPSC_2018 (Liu et al., 2018а). Тем не менее, существует несколько решений для ЭКГ-кардиостимуляции, при этом ЭКГ-кардиостимуляция рассматривается только как разновидность аномалии ЭКГ в задаче классификации. В этой статье мы сосредоточимся на повышении точности определения кардиостимуляции ЭКГ.

2.1. Классификация аномалий ЭКГ

Сердечно-сосудистые заболевания можно разделить на кардиомиопатию, ишемическую болезнь сердца, инфаркт миокарда и так далее (Hao et al., 2021). Многие клиницисты сосредоточились на использовании компьютерной диагностики для выявления одного из заболеваний сердца (Baloglu et al., 2019). Например, Адам и др. (2018) сосредоточились на классификации гипертрофической болезни сердца, дилатационной кардиомиопатии, гипертрофической кардиомиопатии. Многие исследователи заинтересованы в изучении блокады ножек пучка Гиса на ЭКГ, которая является заболеванием сердца с высокой смертностью. Ее можно разделить на блокаду левой ножки пучка Гиса (БЛНПГ) и блокаду правой ножки пучка Гиса (БПНПГ) (Zhang et al., 2012). Существует также часть клинических исследований, посвященных использованию электрокардиограмм для выявления специфических аномалий, таких как инфаркт миокарда (Liu et al., 2018б; Балоглу и др., 2019).

В последние годы некоторые подходы были направлены на повышение эффективности диагностики аномалий ЭКГ (Mondéjar-Guerra et al., 2019; Hao et al., 2021; Wang et al., 2021). Обработка сигнала необходима для клинического мониторинга. Как правило, один из методов (Mondéjar-Guerra et al., 2019; Wang et al., 2021) заключается в диагностике ЭКГ по особенностям многомерного пространства с богатыми тонкими особенностями аномалий ЭКГ. В предыдущих исследованиях по классификации аномалий ЭКГ основное внимание уделялось предварительной обработке для разделения необработанной последовательности ЭКГ на сердечные сокращения (Sodmann and Vollmer, 2020).А затем рассчитываются описания признаков аномальной ЭКГ по сердечным сокращениям (Sangaiah et al., 2020), например, извлечение характеристик интервала RR (Chen et al., 2017), вейвлеты (Mar et al., 2011; He et al., 2017). al., 2018), статистика высшего порядка (HOS) (Osowski and Tran, 2001). Другие методы, основанные на глубоком обучении, могут извлекать полезные функции из необработанных данных ЭКГ, не требуя предварительной обработки сигнала (Fan et al., 2018; Ma et al., 2020). Ряд типичных стратегий сосредоточен на разработке сетевой архитектуры для извлечения нескольких функций для повышения точности классификации аномалий ЭКГ.Однако на практике эти методы нуждаются в достаточном количестве самодельных этикеток или признаков.

Недавние исследования классификации аномалий ЭКГ были сосредоточены на глубоком обучении (Hannun et al., 2019; Saadatnejad et al., 2020; Zhang et al., 2020). Сверточная нейронная сеть (CNN) — эффективный метод извлечения признаков благодаря своей локальной связности и совместному использованию параметров. Ханнун и др. (2019) разработали 34-слойную CNN, которая классифицирует 12 типов сигналов ЭКГ и обеспечивает производительность на уровне кардиолога.Метод на основе RNN (Wang et al., 2018; Chen et al., 2020), такой как Gated Recurrent Unit (Zhang et al., 2019), Long Short Term Memory (Tan et al., 2018; Saadatnejad et al., 2020) — тип нейронной сети, используемый для обработки сигнала ЭКГ. RNN используется для извлечения глобальных признаков, а затем классифицирует отклонения ЭКГ. Саадатнежад и др. (2020) предложили непрерывный алгоритм классификации ЭКГ для конкретного пациента в режиме реального времени, основанный на вейвлет-преобразовании и множественном LSTM. Другие эффективные методы (Chen et al., 2020; Ван и др., 2020 г.; Yao et al., 2020) для разработки архитектур, сочетающих CNN с RNN для обнаружения мультиклассовых аномалий ЭКГ. Но в этих работах по ЭКГ-диагностике ритм стимуляции выявляется только как разновидность аномалии ЭКГ.

2.2. Автоэнкодер

Автоэнкодер относится к неконтролируемым задачам глубокого обучения и не нуждается в аннотации данных для обучающих выборок. Автоэнкодер состоит из трех слоев, в которых количество нейронов во входном слое равно количеству нейронов в выходном слое, а количество нейронов в среднем слое меньше, чем во входном и выходном слоях. .На этапе обучения для каждой обучающей выборки в выходном слое через сеть будет генерироваться новый сигнал. Цель обучения состоит в том, чтобы сделать выходной сигнал и входной сигнал максимально похожими. На этапе тестирования автоэнкодера он может состоять из двух частей. Первая часть — это входной слой и средний слой, который можно использовать для сжатия сигнала. Вторая часть — это средний слой и выходной слой, который может восстанавливать сжатый сигнал.

С развитием искусственного интеллекта он уже широко применяется во многих областях, таких как биоинформатика (Oyetunde et al., 2018), инженерных технологий (Samaniego et al., 2020) и клинической медицины (Chen et al., 2018). Тинсунгноен и др. (2018) предложили глубокий автоэнкодер (AE), который является мощным инструментом для работы с многомерными данными в неконтролируемой задаче обработки сигналов ЭКГ. Они также имеют большой успех в некоторых областях применения, таких как шумоподавляющие автоэнкодеры (DAE) (Dasan and Panneerselvam, 2021), уменьшение размерности данных ЭКГ (Wang et al., 2013). Был проведен ряд работ по классификации данных ЭКГ с использованием модели автоэнкодера.Однако на практике кардиостимулятор может создавать помехи для сигнала ЭКГ. Это часто приводит к морфологическим различиям между случаями с кардиостимулятором и случаями без кардиостимулятора при одной и той же аномалии ЭКГ. Недостаток данных кардиостимуляции ограничил разработку многих моделей классификацией аномальной ЭКГ. Между тем, существующий автоэнкодер для алгоритмов классификации ЭКГ по-прежнему имеет процент ошибочных диагнозов. Поэтому мы собираем большую базу данных ЭКГ кардиостимуляции и разрабатываем новую модель автоэнкодера для обнаружения ЭКГ кардиостимуляции.

Традиционные автоэнкодеры в основном используются для реконструкции сигнала ЭКГ. Например, Маджумдар и др. (2016) разработали модель многоуровневого автоэнкодера (SAE), которая в основном использует полууправляемый подход к глубокому обучению для реконструкции сигнала ЭКГ. В исследовании обнаружения промышленных аномалий Hasan et al. (2016) используют ошибку реконструкции сверточной АЭ для обнаружения аномалий в видеопоследовательностях. Однако эти методы пренебрегают способностью модели автокодировщика к обобщению и не имеют механизма, который побуждал бы автокодировщики создавать большие ошибки реконструкции для аномалий.

Недавно существующий новый метод представляет сети с расширенной памятью для решения проблемы обнаружения аномалий путем восстановления входных данных (Kim et al., 2018). Гонг и др. (2019) обнаруживают аномалии в соответствии с ошибкой реконструкции АЭ с расширенной памятью. Модуль памяти может стабильно записывать функции. Санторо и др. (2016) используют эту идею для решения проблемы одноразового обучения. Эти методы показывают значительный прирост производительности, особенно при обнаружении аномалий. Однако эти алгоритмы обнаруживают только один класс, что делает их непригодными для диагностики ЭКГ.

Предыдущая работа была сосредоточена на поведении автоэнкодера для решения проблемы несбалансированности данных или уменьшения шума. Вдохновленные этими методами, мы предлагаем модель MAE, использующую модуль памяти, основанный на внимании, для записи скрытых признаков соответствующих нарушений ЭКГ. Мы также предлагаем количественный критерий оценки для кластеризации каждого типа аномалий ЭКГ. Затем мы проверяем производительность нашей модели в разных базах данных. Предложенная модель MAE демонстрирует значительные улучшения в диагностике аномалий ЭКГ.

3. Метод

Предыдущие архитектуры AE для обработки сигналов ЭКГ были сосредоточены на шумоподавлении данных и уменьшении размерности данных. В этой статье мы предлагаем новую архитектуру автоэнкодера, содержащую модуль памяти, который может записывать скрытые особенности типа обучения, как показано на рисунке 2. А также мы вводим новую целевую функцию, которая может вычислять показатель сходства между выходными данными декодер и входные данные. В результате мы определяем оценочную оценку данных как критерий кластеризации.Это делает предложенную модель MAE особенно подходящей для классификации аномалий ЭКГ.

Рисунок 2 . Иллюстрация предлагаемой модели MAE. Модуль памяти записывает скрытые функции, и запрос памяти может получить вес степени сходства между функциями входных данных и функциями записи. Обратите внимание, что выход модуля памяти является входом декодера.

3.1. Кодер и декодер

Кодер модели MAE может получать признаки из входных данных, что полезно для уменьшения размерности данных.Функции можно использовать в качестве ключа для сопоставления соответствующих функций в модуле памяти. В нашем методе выходные данные кодировщика можно рассматривать как генератор словаря признаков. Декодер обучается восстанавливать образцы, используя извлеченные воспоминания в качестве входных данных.

В данной работе мы рассматриваем многоканальные временные записи ЭКГ. Сначала мы определяем X для представления домена выборок данных ЭКГ. Каждая ЭКГ представляет собой многомерный временной ряд, в котором строки определяют измерение канала, а столбцы отображают измерение времени.Одна выборка ЭКГ представлена ​​следующей матрицей xi={xi1,xi2,…,xiC}∈XC×T, где C обозначает каналы последовательности ЭКГ, а T — количество точек выборки на канал. Наша архитектура MAE сначала состоит из кодировщика, где Z представляет область кодирования. Пусть f e ( X ) → Z обозначают энкодер. Кодер стремится предоставить низкоразмерную скрытую область представления Z из области входных данных X .Для выборки x i X кодировщик преобразует ее в закодированное представление как z i Z , следующим образом zi=fe(xi;θe),    (1)

, где θ e обозначает параметры энкодера f e .

Вторая половина архитектуры модели MAE содержит декодер, предназначенный для восстановления образцов. Пусть f d ( Z ) → X обозначает декодер.;θd),    (2)

, где θ d обозначает параметры декодера f d .

Архитектуры кодера f e и декодера f d показаны на рисунке 3. Архитектура кодера содержит четыре одномерных сверточных слоя. За каждым сверточным слоем следует слой нормализации и слой активации. Слои свертки с размером ядра 1 × 15 применяются для захвата скрытых признаков.В декодере используется свертка с дробным шагом, которая часто используется для увеличения размера изображения при обработке изображений. Работа свертки с дробным шагом и нормальной свертки прямо противоположна. В этой статье мы используем свертку с дробным шагом для восстановления типа входного сигнала ЭКГ из низкоразмерных скрытых признаков.

Рисунок 3 . На рисунке показаны детали архитектуры кодировщика f e и декодера f d в модели MAE.

3.2. Модуль памяти на основе внимания

Модуль памяти предназначен для записи наиболее репрезентативных характеристик входных данных стимуляции во время тренировки. Приведенный выше кодировщик секции преобразует входные данные во внутреннее представление объекта. Модуль памяти можно рассматривать как словарь D со схемой опроса и выполнен в виде матрицы D R N × C , содержащей N вещественных векторов фиксированной размерности и для записи прототипа внутренней корреляционной характеристики кардиостимуляции во время тренировки.Карта выходных признаков ẑ блока памяти объединяет новый вход z с записью в текущем состоянии памяти k , где k R N — вектор-строка с неотрицательными элементами эта сумма к единице. Весовой вектор k вычисляется согласно z . Выход скрытых признаков ẑ будет получен через ẑ = k · D .

Пусть ряд вектор м 9 I , ∀ , ∀ I ∈ {1, 2, …, N } обозначает I Th ряд D , где { N } обозначает набор целых чисел от 1 до N.Каждые m i обозначают элемент словаря D . Параметр N определяет максимальную емкость блока памяти. Типовой модуль памяти разработан для запроса прототипов характеристик кардиостимуляции, как показано на рис. 2.

Чтобы быть конкретным, мы сначала вводим стратегию запроса, которая вычисляет веса внимания k i на основе подобия элементов словаря и входного признака z .Каждый вес k i вычисляется с помощью операции softmax:

ki=exp(d(z,mi))∑j=1Nexp(d(z,mi)),    (3)

, где d ( z, m i ) обозначает измерение корреляции между z и m i . После работы определим функцию d ( z, m i ) как косинусное сходство:

d(z,mi)=z·miT||z||·||mi||,    (4)

Затем, учитывая, что признаки низкого уровня более загромождены, некоторые другие группы аномалий ЭКГ все еще могут быть реконструированы в ЭКГ кардиостимуляции. представляет запись i th в текущем состоянии памяти k , max ( k i − α, 0) также получается как активация Relu.я||р,    (7)

, где p установлен в 1 или 2 в нашей статье. При p = 1 формула 7 представляет собой среднюю абсолютную ошибку, которую также можно рассматривать как L1-потери. При p = 2 формулу 7 можно рассматривать как среднеквадратичную ошибку, которая представляет собой L2-потери. В связи со сценарием применения диагностики аномалий ЭКГ мы разрабатываем эксперименты по абляции, чтобы найти оптимальное значение p .

Из-за модуля памяти этапа тестирования изученное содержимое памяти фиксируется.Для реконструкции может быть извлечена только функция из словаря обучающего типа в модуле памяти. Таким образом, образцы одного типа могут быть хорошо реконструированы. И наоборот, кодирование другой входной аномалии ЭКГ будет заменено извлеченными обученными функциями, что приведет к значительной ошибке реконструкции этих входных данных.

На этапе тестирования нам также необходимо определить правило классификации нарушений ЭКГ в соответствии с моделью MAE. Например, для определения классификации используются входные данные ЭКГ x i и ошибка реконструкции. P n означает, что образцы относятся к классу целевого домена n . Поэтому мы определяем набор образцов в целевом домене как:

T(xi)={xi∈Pn,with‖xi−fdn(fen(xi;θe);θd)‖p≤‖xi           −fdq(feq(xi;θe);θd)‖p},    (8)

Где,

F 9 9 1 9 9 N и F D N N N N Представляют операцию энкодера и декодера, которые фаза для обучения записывает скрытые особенности целевого класса n в модуле памяти. F 9 E 9 Q 19 Q и F D Q 29214 q 4 4 4 4 4 в модуле памяти. Это уравнение по существу определяет отношение расстояния между образцами одного и того же класса и образцами разных классов.

4. Эксперименты

В этом разделе мы проверяем предлагаемую структуру MAE для обнаружения кардиостимуляции.Между тем, чтобы показать применимость метода, мы также проводим эксперименты с базой данных аритмии MIT-BIH. Во-первых, будет введена метрика оценки, используемая в экспериментах. Качество и производительность предложенной структуры MAE оцениваются с использованием стандартных показателей: точность, полнота и оценка f1. Затем будет описана экспериментальная база данных. Наконец, мы представляем экспериментальные результаты и анализ. Кроме того, результаты сравниваются с другими методами обнаружения аномалий ЭКГ.

4.1. Метрика оценки

В этой статье для каждого класса использовались типичные показатели классификации, включая точность, полноту и оценку F1. Точность — это отношение количества правильных положительных прогнозов к общему количеству положительных прогнозов. Отзыв — это отношение количества правильных положительных предсказаний к общему количеству истинно положительных и ложноотрицательных. Оценка F1 представляет собой средневзвешенное значение точности и полноты. Они определяются как:

Точность(+p)=TPTP+FP,    (9) Отзыв(Запись)=TPTP+FN,    (10) F1-оценка=2×Точность×ОтзывТочность+Отзыв,    (11)

, где TP , TN , FP и FN представляют количество истинно положительных, истинно отрицательных, ложноположительных и ложноотрицательных результатов соответственно.

4.2. Эксперименты по обнаружению электрокардиостимуляции

4.2.1. База данных кардиостимуляции

Профессиональная база данных играет более важную роль в автоматической ЭКГ-диагностике, чем алгоритм и используемые методики. Одним из препятствий в исследованиях полностью автоматического анализа ЭКГ является недостаточное количество доступных баз данных (Shen et al., 2020).

В этой статье мы собираем обширную новую базу данных ЭКГ под названием «База данных ЭКГ кардиостимуляции». Базу данных ЭКГ кардиостимуляции можно использовать для оценки предлагаемой схемы MAE.Следует отметить, что все извлеченные данные были деидентифицированы в соответствии с политикой конфиденциальности. Полностью деидентифицированные данные пациентов могут использоваться в исследовательских целях. Основная цель – выявить морфологию кардиостимуляции от различных помех. Некоторые образцы могут содержать другие аномалии в базе данных ЭКГ кардиостимуляции. Мы стремимся различать образец с кардиостимулятором и образец без кардиостимулятора при вмешательстве этих аномалий.

База данных ЭКГ кардиостимуляции содержит 800 записей данных, аннотированных врачом, продолжительностью 10 с, с частотой дискретизации 500 Гц.Каждая выборка, полученная устройством, представляет собой все 12 отведений (канальных) ЭКГ, оцифрованных со скоростью 500 выборок в секунду на канал и длительностью 10 с. Примеры последовательностей ЭКГ в базе данных ЭКГ кардиостимуляции показаны на рисунке 4. Конкретное распределение данных показано в таблице 1. Мы также оценили качество последовательностей ЭКГ. Согласно стандарту работы (Shen et al., 2020), как показано в таблице 2, каждый образец можно разделить на хорошее качество сигнала, среднее качество сигнала и плохое качество сигнала. Наша база данных ЭКГ кардиостимуляции сохраняет только сигналы хорошего качества.

Рисунок 4 . Примеры ЭКГ (из отведения II) в базе данных ЭКГ кардиостимуляции. (A) В примере показана морфология кардиостимуляции. (B) Пример показывает, что морфология ЭКГ при стимуляции получает другие аномальные помехи. (C) Пример показывает, что морфология ЭКГ полной блокады левой ножки пучка Гиса аналогична ЭКГ при кардиостимуляции. Обратите внимание, что образец (A) не имеет очевидного стержня кардиостимулятора в отведении II, но предлагаемый метод MAE может различать (C) и тип кардиостимуляции по другой информации об отведении.

Таблица 1 . Конкретное распределение данных в каждой базе данных.

4.2.2. Оценка и анализ

Мы проводим эксперименты с базой данных ЭКГ кардиостимуляции для дальнейшей оценки предлагаемого метода обнаружения ЭКГ кардиостимуляции. Выборки разбиваются на обучающую и тестовую выборки в соотношении 3:1. В соответствии с экспериментальной установкой, использованной в этих работах (Gong et al., 2019; Hannun et al., 2019), обучающая выборка состоит только из образцов целевого класса.Между обучающим набором и проверочным набором нет перекрытия.

В этом эксперименте мы в основном проверяем эффективность нашего модуля памяти и кодировщика и декодера на основе сверточных нейронных сетей. Во-первых, мы реализуем кодировщик с использованием одномерной свертки и декодер с использованием одномерной свертки с дробным шагом. За каждым сверточным слоем следует нормализация партии и функция активации ReLU. Детали кодера и декодера показаны на рисунке 3. Мы устанавливаем размер модуля памяти на 300.Мы также проводим сравнения с некоторыми базовыми вариантами MAE, чтобы показать важность важных компонентов, включая автоэнкодер без модуля памяти (AE) и различные ошибки реконструкции.

Как показано в Таблице 3, мы проводим несколько исследований абляции для изучения эффективности основных компонентов предлагаемого метода, таких как MAE и его основа AE. А модель MAE с P = 2 дает лучшие результаты диагностики. Как видно из таблицы 3, MAE с P = 2 достигает 91.8% F1-балл, превосходящий AE с P = 1 (4,0%, F1-балл), AE с P = 2 (3,4% F1-балл), MAE с P = 1 (1,7% F1- счет). Также видно, что предложенный МАЭ достигает конкурентоспособных результатов по сравнению с другими современными методами. Эти методы, такие как архитектура магистральной сети Resnet Hannun et al. (2019) и сочетание архитектуры RNN+CNN Yao et al. (2020). Модель MAE превосходит методы Hannun et al. (2019) с отрывом, с приростом 1.0% улучшений в F1-оценке.

Таблица 3 . Выполнение + P , Rec , F 1 − оценка различных методов в базе данных ЭКГ кардиостимуляции.

На рисунке 5 мы визуализируем процесс реконструкции данных ЭКГ под модулем памяти. Так как обученная память записывает только скрытые характеристики типа тренировки, на вход которой дается рутинная выборка ЭКГ, MAE обучается на типе кардиостимуляции, что приводит к значительной ошибке реконструкции типа входных данных.Обратите внимание, что реконструированная ЭКГ со кардиостимуляцией при МАЭ имеет сходные характеристики с типом входной обычной ЭКГ, поскольку модуль памяти извлекает из памяти наиболее идентичные характеристики. Данные ЭКГ имеют периодичность, и модель АЭ без модуля памяти записывает некоторые признаки, которые более похожи. Таким образом, образцы других типов иногда также могут быть хорошо реконструированы. На рисунке 6 показано, что оценка целевой функции, полученная с помощью MAE, сразу же изменяется, когда в наборе данных появляются образцы различных типов отклонений ЭКГ.

Рисунок 5 . Визуализация результатов реконструкции АЭ и МАЭ на ЭКГ с кардиостимуляцией. (A) Модель в примере обучается на ЭКГ со кардиостимуляцией. Входными данными является рутинная ЭКГ. Из-за периодичности ЭКГ данные реконструкции по традиционной модели АЭ также близки к входным данным. Это неудачный случай реконструкции ЭКГ с точки зрения ошибки. Но MAE извлекает элементы памяти обучающих типов для данных реконструкции и получает результаты, значительно отличающиеся от типов входных данных.Значительная ошибка между данными реконструкции и входными данными означает, что входные данные не относятся к ЭКГ кардиостимуляции. (B) Пример модели обучен на обычной ЭКГ. Входными данными является кардиостимуляция ЭКГ. Традиционная модель AE получает случай отказа на входных данных. Но модель MAE получает более высокую значимую ошибку между данными реконструкции и входными данными. Следовательно, это показывает, что входные данные имеют тип, отличный от типа модели.

Рисунок 6 .Оценки целевой функции получают с помощью MAE. Оценка меняется сразу же, когда в тестовых данных используются несколько различных типов выборок ЭКГ.

4.3. Эксперименты с базой данных MIT-BIH по аритмиям

Предложенная модель MAE также может применяться для диагностики других нарушений ЭКГ. Мы проводим эксперименты с базой данных MIT-BIH Arrhythmia для оценки предлагаемого метода.

4.3.1. База данных MIT-BIH по аритмиям

База данных MIT-BIH Arrhythmia (Moody and Mark, 2001) содержит 48 получасовых фрагментов двухканальных амбулаторных записей ЭКГ.Записи оцифровываются со скоростью 360 выборок в секунду на канал. Каждая запись содержит два сигнала. Для всех записей первое представляет собой модифицированное отведение II (MLII), тогда как второе соответствует V1, V2, V4 или V5, в зависимости от записей. Таким образом, во всех записях предоставляется только MLII. База данных содержит два или более экспертов-кардиологов, которые независимо аннотировали примерно 110 000 ударов, и все разногласия были разрешены. Типы сердечных сокращений MIT-BIH сгруппированы в пять классов сердечных сокращений, рекомендованных Ассоциацией по развитию медицинских инструментов (AAMI), как показано в таблице 4.Примеры сигналов для базы данных MIT-BIH Arrhythmia показаны на рисунке 7.

Таблица 4 . Сопоставление типов сердечных сокращений с категориями сердечных сокращений AAMI и статистикой распределения данных (Moody and Mark, 2001).

Рисунок 7 . Пример сигналов ЭКГ из базы данных MIT-BIH. Существует пять классов сердцебиения с именами N, S, V, F и Q. Значение каждой буквы показано в таблице 4.

4.3.2. Оценка и анализ

Следует отметить, что база данных MIT-BIH Arrhythmia имеет несбалансированное распределение.Поэтому мы отказываемся от некоторых образцов, что не влияет на конечную производительность. Следуя работам (Kachuee et al., 2018; Wang et al., 2021), мы сбалансировали количество ударов в каждом типе перед разделением фазы тестирования. В этой статье отбираются и тестируются 600 образцов сердцебиения. В этой статье рассматривается только отведение II для выявления отклонений на ЭКГ. Это решение мотивировано следующими работами (Mondéjar-Guerra et al., 2019), в которых доказано, что для задачи классификации аритмий достаточно использования только одного отведения.И 235 точек извлекаются как признаки морфологии одного сердцебиения. Для настроек эксперимента общее количество итераций равно 200, а размер пакета установлен на 16. Мы применяем начальную скорость обучения 10 -5 . На рисунке 8 показаны результаты классификации модели MAE с разделением данных. Кроме того, среди работ, представленных в табл. 5, эти методы предназначены для повышения точности выявления аномалий сердцебиения на ЭКГ. Тем не менее, модель МАЭ все же может с большим отрывом их превосходить, что может дополнительно продемонстрировать эффективность предлагаемого подхода для выявления ЭКГ-аномалий сердцебиения.Между тем, MAE дает самый высокий балл F1 для большинства типов сердцебиения, например, производительность типа F значительно улучшилась. Улучшения в основном связаны с модулем памяти.

Рисунок 8 . Матрица путаницы модели MAE в базе данных MIT-BIH Arrhythmia. Метки строк представляют истинные записи класса в каждой строке, а метки столбцов представляют записи класса, предсказанные нашим методом. Числа в каждой сетке показывают количество записей, классифицированных как метки столбцов, когда их истинный класс указан меткой строки.

Таблица 5 . Сравнение + P , Rec и F 1 − дает балла для каждого типа в базе данных MIT-BIH Arrhythmia.

В частности, в таблице 5 показаны + p и Rec и F1 предлагаемой модели MAE и других популярных методов на наборе для тестирования базы данных. Результаты эксперимента показывают, что F1-балл категории N составляет 97,2%, F1-балл S-категории — 90,0%, F1-балл V категории — 88.3%, оценка F1 категории F составляет 92,6%, а оценка F1 категории Q составляет 98,3%. В таблице 6 показаны общие результаты модели MAE и ее сравнение с современными методами, описанными в другой литературе. Результаты некоторых методов показывают, что характеристики классификации для типов F и Q неудовлетворительны. Возможно, эти ритмы труднее классифицировать. В целом наша модель MAE обеспечивает лучшую производительность для типов N, S, V, F и Q. Более того, модель MAE также может превзойти эти типичные классификаторы, основанные на CNN, например, 9-слойная CNN, предложенная Acharya et al. др.(2017) (92,5%, на 2,4% выше оценка F1), комбинация CNN с LSTM, предложенная Shi et al. (2019) (93,6%, на 1,3% выше оценка F1).

Таблица 6 . Сравнения с популярными методами для общих типов в базе данных MIT-BIH Arrhythmia.

Мы также визуализируем реконструкцию данных в базе данных MIT-BIH Arrhythmia, показанную на рис. 9. Обученный модуль памяти записывает скрытые особенности входного типа. При наличии тестовых данных ЭКГ типа «N» модуль памяти, обученный на тип «N», восстанавливает тип «N», что приводит к низкой погрешности входных данных.Но элементы памяти, обученные по типу «F», восстанавливают тип «N» по данным тестирования ЭКГ типа «N», что приводит к значительной ошибке на входных данных типа «N». Обратите внимание, что реконструированный МАЭ типа «F» имеет форму, аналогичную входной «N», поскольку модуль памяти извлекает наиболее похожие скрытые функции. Сравнивая ошибки, мы можем легко получить тип входных тестовых данных. Несмотря на то, что некоторые данные содержат шум, модель MAE по-прежнему может определять тип сердцебиения, чему способствует модуль памяти, разработанный в MAE.Между тем убедительная производительность также демонстрирует способность модели MAE к обобщению.

Рисунок 9 . Примеры базы данных MIT-BIH по аритмиям. Тип «N» и тип «Q» устанавливаются для входных выборок. И разные элементы памяти означают, что на этапе обучения записываются соответствующие типы функций. Модель MAE может получить значительную ошибку реконструкции, когда входные данные отличаются от типа записанных данных.

5. Заключение и будущая работа

В этой статье был предложен автоэнкодер на основе памяти для создания интеллектуальной диагностической модели для обнаружения аномалий ЭКГ.Мы разработали новый автоэнкодер, использующий модуль памяти для записи скрытых функций из обучающих данных соответствующих типов. Ключевыми особенностями MAE являются сохранение скрытых функций для получения низкой средней ошибки реконструкции на этапе обучения. И на этапе тестирования выходные данные реконструкции будут ссылаться на элементы памяти, которые были выбраны как аналогичные элементы кодирования входных данных. Кроме того, мы также определили целевую функцию, которая может вычислять отношение расстояния между выборками одного и того же типа и выборками разных типов.Вкратце, предложенный MAE может хорошо реконструировать входные данные, соответствующие типам обучения, чтобы получить низкую погрешность целевой функции и увеличить погрешность целевой функции других аномальных типов ЭКГ, целевая функция которых является лучшим критерием обнаружения аномальной ЭКГ. Результаты демонстрируют, что предлагаемая модель обеспечивает значительный прирост производительности благодаря точности, чувствительности и показателю F1 благодаря серии экспериментов.

В будущей работе, поскольку одни и те же типы аномалий ЭКГ имеют различия у разных пациентов, мы стремимся зарегистрировать скрытые признаки в тех же типах аномалий ЭКГ у других людей.Анализируя эти индивидуальные различия, мы дополнительно изучаем возможности повышения точности, чувствительности и оценки F1 модели. Кроме того, диагностическая эффективность модели также является важным показателем клинической диагностики ЭКГ. Мы также стремимся разработать более легкую и эффективную диагностическую модель, которую можно было бы лучше применять в клинической ЭКГ-диагностике.

Заявление о доступности данных

Необработанные данные, подтверждающие выводы этой статьи, будут предоставлены авторами без неоправданных оговорок.Общедоступный набор данных базы данных MIT-BIH по аритмиям доступен по адресу: https://www.physionet.org/content/mitdb.

Заявление об этике

Исследования с участием людей были рассмотрены и одобрены Комитетом по этике наук о жизни Чжэнчжоуского университета. Письменное информированное согласие на участие в этом исследовании не требовалось в соответствии с национальным законодательством и институциональными требованиями.

Вклад авторов

ZT и ZG задумали исследование.ZG выполнил дизайн и реализацию работы и написал рукопись. HC и ZT помогли с разработкой и реализацией эксперимента. LY предоставила экспериментальные данные и прокомментировала их. BZ и ZW помогли просмотреть и улучшить рукопись. Все авторы прочитали и одобрили окончательный вариант рукописи.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Примечание издателя

Все претензии, изложенные в этой статье, принадлежат исключительно авторам и не обязательно представляют претензии их дочерних организаций или издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензии, которые могут быть сделаны его производителем, не гарантируются и не поддерживаются издателем.

Каталожные номера

Ачарья, У. Р., О, С. Л., Хагивара, Ю., Тан, Дж. Х., Адам, М., Гертыч, А., и другие. (2017). Модель глубокой сверточной нейронной сети для классификации сердечных сокращений. Вычисл. биол. Мед . 89, 389–396. doi: 10.1016/j.compbiomed.2017.08.022

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Адам, М., Лих, О.С., Сударшан, В.К., Кох, Дж.Е., Хагивара, Ю., Хонг, Т.Дж., и соавт. (2018). Автоматическая характеристика сердечно-сосудистых заболеваний с использованием относительных нелинейных вейвлет-функций, извлеченных из сигналов ЭКГ. Вычисл. Методы прог. Биомед .161, 133–143. doi: 10.1016/j.cmpb.2018.04.018

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Балоглу У., Тало М., Йылдырым О., Тан Р. С. и Ачарья У. Р. (2019). Классификация инфаркта миокарда с сигналами ЭКГ в нескольких отведениях и глубокой CNN. Распознавание образов. Письмо . 122, 23–30. doi: 10.1016/j.patrec.2019.02.016

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чен К., Хуа З., Чжан Р., Лю Г. и Вэнь В.(2020). Автоматизированная классификация аритмий на основе комбинированной сети CNN и LSTM. Биомед. Сигнальный процесс. Контроль 57:101819. doi: 10.1016/j.bspc.2019.101819

Полнотекстовая перекрестная ссылка | Академия Google

Чен, П. Дж., Лин, М. К., Лай, М. Дж., Лин, Дж. К., Лу, Х. С., и Ценг, В. С. (2018). Точная классификация миниатюрных колоректальных полипов с помощью компьютерного анализа. Гастроэнтерология 154, 568–575. doi: 10.1053/j.gastro.2017.10.010

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чен, С., Хуа, В., Ли, З., Ли, Дж., и Гао, X. (2017). Классификация сердечных сокращений с использованием проекционных и динамических характеристик сигнала ЭКГ. Биомед. Сигнальный процесс. Контроль 31, 165–173. doi: 10.1016/j.bspc.2016.07.010

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Дасан, Э., и Паннеерсельвам, И. (2021). Новый подход к уменьшению размерности сигнала ЭКГ с помощью сверточного шумоподавляющего автоэнкодера с LSTM. Биомед. Сигнальный процесс. Контроль 63:102225.doi: 10.1016/j.bspc.2020.102225

Полнотекстовая перекрестная ссылка | Академия Google

Фан, X., Яо, К., Цай, Ю., Мяо, Ф., Сунь, Ф., и Ли, Ю. (2018). Многомасштабное слияние глубоких сверточных нейронных сетей для скрининга мерцательной аритмии по коротким записям ЭКГ в одном отведении. IEEE J. Biomed. Здравоохранение Информ . 22, 1744–1753 гг. дои: 10.1109/JBHI.2018.2858789

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Гао Ю., Чжоу Б., Чжоу Ю., Ши Л., Тао Ю. и Чжан Дж. (2018). «Перенос декодирования поведенческих задач на основе обучения из активности мозга», в The International Conference on Healthcare Science and Engineering (Guilin: Springer), 71–81. дои: 10.1007/978-981-13-6837-0_6

Полнотекстовая перекрестная ссылка | Академия Google

Гонг Д., Лю Л., Ле В., Саха Б., Мансур М. Р., Венкатеш С. и др. (2019). «Запоминание нормальности для обнаружения аномалий: глубокий автоэнкодер с расширенной памятью для обнаружения аномалий без присмотра», в Proceedings of the IEEE/CVF International Conference on Computer Vision (Сеул), 1705–1714.doi: 10.1109/ICCV.2019.00179

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ханнун, А.Ю., Раджпуркар, П., Хагпанахи, М., Тисон, Г.Х., Борн, К., Турахия, М.П., ​​и соавт. (2019). Обнаружение и классификация аритмий на уровне кардиолога на амбулаторных электрокардиограммах с использованием глубокой нейронной сети. Нац. Мед . 25, 65–69. doi: 10.1038/s41591-018-0268-3

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хао, Д., Синь-Гинн, Х.и Винсент, С. Т. (2021). Инструмент автоматического скрининга сердечно-сосудистых заболеваний на основе сверточной нейронной сети с использованием различных интервалов сигналов ЭКГ. Вычисл. Методы прог. Биомед . 203:106035. doi: 10.1016/j.cmpb.2021.106035

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хасан М., Чой Дж., Нойманн Дж., Рой-Чоудхури А. и Дэвис Л. (2016). «Изучение временной регулярности в видеопоследовательностях», в Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR) (Лас-Вегас, Невада), 733–742.doi: 10.1109/CVPR.2016.86

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хе Р., Ван К., Чжао Н., Лю Ю., Юань Ю., Ли К. и др. (2018). Автоматическое обнаружение мерцательной аритмии на основе непрерывного вейвлет-преобразования и двумерных сверточных нейронных сетей. Фронт. Физиол . 9:1206. doi: 10.3389/fphys.2018.01206

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Качуи, М., Фазели, С., и Саррафзаде, М. (2018).«Классификация сердцебиения ЭКГ: глубокое переносимое представление», в 2018 IEEE International Conference on Healthcare Informatics (ICHI) (Нью-Йорк, штат Нью-Йорк), 443–444. doi: 10.1109/ICHI.2018.00092

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ким Ю., Ким М. и Ким Г. (2018). «Запоминание предшествует генерации: обучение неконтролируемому GANS с сетями памяти», в Международной конференции по обучающим представлениям (ICLR) (Ванкувер, Британская Колумбия).

Академия Google

Ли, Р., Чжан, X., Дай, Х., Чжоу, Б., и Ван, З. (2019). Анализ интерпретируемости классификации сердцебиения на основе характеристик глобальной последовательности сердечного ритма и нейронной сети BiLSTM-внимания. Доступ IEEE 7, 109870–109883. doi: 10.1109/ACCESS.2019.2933473

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Лю, Ф., Лю, К., Чжао, Л., Чжан, X., Ву, X., Сюй, X., et al. (2018а). База данных открытого доступа для оценки алгоритмов выявления нарушений ритма и морфологии электрокардиограммы. J. Med. Информация о здоровье изображений . 8, 1368–1373. дои: 10.1166/jmihi.2018.2442

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Лю, Н., Ван, Л., Чанг, К., Син, Ю., и Чжоу, X. (2018b). Простой и эффективный метод выявления инфаркта миокарда на основе глубокой сверточной нейронной сети. J. Med. Информация о здоровье изображений . 8, 1508–1512. дои: 10.1166/jmihi.2018.2463

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

млн лет назад, с., Вэй С., Чен Т., Чжун Дж., Лю З. и Лю К. (2020). Интеграция результатов сверточной нейронной сети в машину опорных векторов для обнаружения мерцательной аритмии. IEEE Trans. Инструмент. Мера . 70, 1–10. doi: 10.1109/TIM.2020.3044718

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Маджумдар, А., Гогна, А., и Уорд, Р. (2016). Полууправляемый последовательный автокодировщик этикеток для реконструкции и анализа биомедицинских сигналов. IEEE Trans. Биомед. англ . 64, 2196–2205. doi: 10.1109/TBME.2016.2631620

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Мар Т., Заунседер С., Мартинес Дж. П., Лламедо М. и Полл Р. (2011). Оптимизация классификации ЭКГ посредством выбора признаков. IEEE Trans. Биомед. англ . 58, 2168–2177. doi: 10.1109/TBME.2011.2113395

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Мин, К., Ван, Г., Дин, З., Ли, Дж., и Ян, Х. (2020). «Неконтролируемая адаптация домена для классификации аритмий ЭКГ», в Ежегодной международной конференции IEEE Engineering in Medicine and Biology Society (EMBC) (Монреаль, QC), 304–307.

Реферат PubMed | Академия Google

Мондехар-Герра, В., Ново, Дж., Роуко, Дж., Пенедо, М. Г., и Ортега, М. (2019). Классификация сердцебиения, объединяющая временную и морфологическую информацию ЭКГ с помощью ансамбля классификаторов. Биомед.Сигнальный процесс. Контроль 47, 41–48. doi: 10.1016/j.bspc.2018.08.007

Полнотекстовая перекрестная ссылка | Академия Google

Ню, Дж., Тан, Ю., Сунь, З., и Чжан, В. (2020). Межпациентная классификация ЭКГ с символическими представлениями и мультиперспективными сверточными нейронными сетями. IEEE J. Biomed. Здравоохранение Информ . 24, 1321–1332. дои: 10.1109/JBHI.2019.2942938

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

О, С. Л., Нг, Э., Тан Р.С. и Ачарья У.Р. (2018). Автоматизированная диагностика аритмии с использованием комбинации методов CNN и LSTM с сердечными сокращениями переменной длины. Вычисл. биол. Мед . 102, 278–287. doi: 10.1016/j.compbiomed.2018.06.002

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Оетунде, Т., Бао, Ф.С., Чен, Дж.В., Мартин, Х.Г., и Тан, Ю.Дж. (2018). Использование инженерии знаний и машинного обучения для микробного биопроизводства. Биотехнология.Дополнение . 36, 1308–1315. doi: 10.1016/j.biotechadv.2018.04.008

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Саадатнежад, С., Овейси, М., и Хашеми, М. (2020). Классификация ЭКГ на основе LSTM для непрерывного мониторинга на персональных носимых устройствах. IEEE J. Biomed. Здравоохранение Информ . 24, 515–523. дои: 10.1109/JBHI.2019.2

7

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Саманьего, Э., Анитеску, К., Госвами, С., Nguyen-Thanh, V.M., Guo, H., Hamdia, K., et al. (2020). Энергетический подход к решению уравнений в частных производных в вычислительной механике с помощью машинного обучения: концепции, реализация и приложения. Вычисл. Методы Прил. мех. англ . 362:112790. doi: 10.1016/j.cma.2019.112790

Полнотекстовая перекрестная ссылка | Академия Google

Сангайах А.К., Арумугам М. и Биан Г.-Б. (2020). Интеллектуальный подход к обучению для улучшения классификации сигналов ЭКГ и анализа аритмий. Артиф. Интел. Мед . 103:101788. doi: 10.1016/j.artmed.2019.101788

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Санторо А., Бартунов С., Ботвиник М., Вирстра Д. и Лилликрап Т. (2016). Одноразовое обучение с нейронными сетями с дополненной памятью. Препринт arXiv arXiv:1605.06065 .

Реферат PubMed | Академия Google

Шен, К., Гао, Х., Ли, Ю., Сунь, К., Чен, М., Ли, Дж., и др. (2020). База данных носимых электрокардиограмм с открытым доступом по аритмиям. J. Med. биол. англ . 40, 564–574. doi: 10.1007/s40846-020-00554-3

Полнотекстовая перекрестная ссылка | Академия Google

Ши Х., Цинь К., Сяо Д., Чжао Л. и Лю К. (2019). Автоматическая классификация сердечных сокращений на основе глубокой нейронной сети с несколькими входными слоями. Система, основанная на знаниях . 188:105036. doi: 10.1016/j.knosys.2019.105036

Полнотекстовая перекрестная ссылка | Академия Google

Содманн, П., и Фоллмер, М. (2020). «Сегментация ЭКГ с использованием нейронной сети как основы для выявления сердечных патологий», в Computing in Cardiology Conference (CINC) (Римини), 1–4.doi: 10.22489/CinC.2020.356

Полнотекстовая перекрестная ссылка | Академия Google

Tan, J.H., Hagiwara, Y., Pang, W., Lim, I., Oh, S.L., Adam, M., et al. (2018). Применение сложенной сверточной сети и сети долговременной кратковременной памяти для точной идентификации сигналов ЭКГ CAD. Вычисл. биол. Мед . 94, 19–26. doi: 10.1016/j.compbiomed.2017.12.023

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Тинсунноен, Т., Кердпрасоп, К., и Кердпрасоп, Н.(2018). Глубокие сети автоэнкодера, оптимизированные с помощью генетических алгоритмов для эффективной кластеризации ЭКГ. Междунар. Дж. Мах. Учить. Вычисление . 8, 112–116. doi: 10.18178/ijmlc.2018.8.2.672

Полнотекстовая перекрестная ссылка | Академия Google

Ван Г., Чжан К., Лю Ю., Ян Х., Фу Д., Ван Х. и др. (2018). Глобальная и обновляемая система классификации сокращений ЭКГ, основанная на рекуррентных нейронных сетях и активном обучении. Информ. Наука . 501, 23–42. doi: 10.1016/j.ins.2018.06.062

Полнотекстовая перекрестная ссылка | Академия Google

Wang, J., Qiao, X., Liu, C., Wang, X., Liu, Y., Yao, L., et al. (2021). Автоматизированная классификация ЭКГ с использованием модуля внимания нелокальной сверточной блокады. Вычисл. Методы прог. Биомед . 203:106006. doi: 10.1016/j.cmpb.2021.106006

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ван, Дж.-С., Чанг, В.-К., Сюй, Ю.-Л., и Ян, Ю.-Т. С. (2013). Классификация ЭКГ-аритмий с помощью вероятностной нейронной сети с методом редукции признаков. Нейрокомпьютинг 116, 38–45. doi: 10.1016/j.neucom.2011.10.045

Полнотекстовая перекрестная ссылка | Академия Google

Ван, Р., Фань, Дж., и Ли, Ю. (2020). Глубокая мультимасштабная нейронная сеть слияния для обнаружения мультиклассовой аритмии. IEEE J. Biomed. Здравоохранение Информ . 24, 2461–2472. дои: 10.1109/JBHI.2020.2981526

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Яо, К., Ван, Р., Фань, X., Лю, Дж., и Ли, Ю. (2020). Многоклассовое обнаружение аритмии по ЭКГ различной длины в 12 отведениях с использованием инкрементной сверточной нейронной сети на основе внимания. Информ. Фьюжн 53, 174–182. doi: 10.1016/j.inffus.2019.06.024

Полнотекстовая перекрестная ссылка | Академия Google

Чжан Дж., Чен С., Лю А., Сян С., Чжан С. и Гао М. (2020). Многоклассовое обнаружение аритмии на основе ЭКГ с использованием пространственно-временной сверточной рекуррентной нейронной сети, основанной на внимании. Артиф. Интел. Мед . 106:101856. doi: 10.1016/j.artmed.2020.101856

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чжан, X., Ли Р., Дай Х., Лю Ю., Чжоу Б. и Ван З. (2019). Локализация инфаркта миокарда с помощью двунаправленной рекуррентной нейронной сети с несколькими отведениями. Доступ IEEE 7, 161152–161166. doi: 10.1109/ACCESS.2019.2946932

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Zhang Z., Dong J., Luo X., Choi K.S. и Wu X. (2014). Классификация сердцебиения с использованием выбора признаков, специфичных для заболевания. Вычисл. биол. Мед . 46, 79–89. дои: 10.1016/j.compbiomed.2013.11.019

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Zhang, Z.M., Rautaharju, P.M., Soliman, E.Z., Manson, J., Cain, M.E., Martin, L.W., et al. (2012). Риск смертности, связанный с блокадой ножки пучка Гиса и связанными с ней нарушениями реполяризации (из Инициативы по охране здоровья женщин [WHI]). утра. Дж. Кардиол . 110, 1489–1495. doi: 10.1016/j.amjcard.2012.06.060

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чжоу, С.и Тан, Б. (2020). Мягкие вычисления электрокардиограммы с использованием гибридного глубокого обучения CNN-elm. Заяв. Мягкий компьютер . 86:105778. doi: 10.1016/j.asoc.2019.105778

Полнотекстовая перекрестная ссылка | Академия Google

Zong, B., Song, Q., Min, M.R., Cheng, W., Lumezanu, C., Cho, D., et al. (2018). «Смешанная модель Гаусса с глубоким автокодированием для неконтролируемого обнаружения аномалий», в Международной конференции по обучающим представлениям (ICLR) (Ванкувер, Британская Колумбия).

Академия Google

(PDF) Проект системы мониторинга сигналов ЭКГ в реальном времени с использованием мобильного телефона

WU et al.: РАСПРЕДЕЛЕННОЕ КОДИРОВАНИЕ ИСТОЧНИКОВ ДЛЯ МОНИТОРИНГА СИГНАЛОВ ЭКГ В РЕАЛЬНОМ ВРЕМЕНИ 9

корреляция сигналов ЭКГ при разработке алгоритма сжатия низкой сложности

в рамках DSC. Прежде всего, мы подчеркиваем важность согласования статистической зависимости сигналов ЭКГ с каналом корреляции, на котором

основана схема ЦСК. Эта задача была выполнена путем преобразования

одномерного сигнала ЭКГ в двумерный массив данных с помощью комбинированного использования обнаружения QRS, нормализации периода и GSVQ.

Производительность дополнительно повышается за счет использования модифицированного алгоритма

BCJR, который выполняет декодирование символов

двоичных сверточных кодов путем использования исходной априорной

информации на уровне индекса. Результаты автономного компьютерного моделирования

показали, что предложенная схема превосходит другие кодеки по сложности кодирования и эффективности кодирования. Наконец, представлена ​​полная система настройки для онлайн-мониторинга сигналов ЭКГ

через мобильные сотовые сети.Система включает в себя блок пациента для сбора и сжатия сигналов и удаленный сервер для реконструкции сигналов

. Эксперименты с

сигналами ЭКГ, полученными в режиме реального времени, показали, что предлагаемая система обеспечивает мощную помощь приложениям беспроводного мониторинга пациентов. Тем не менее,

в предложенном методе есть недостатки, когда появляются резкие

изменения амплитуды QRS. Мы предполагаем, что дальнейшие улучшения производительности

возможны за счет применения более дорогих в вычислительном отношении алгоритмов обнаружения QRS

.Продолжая это исследование, мы обратимся к изучению разработки алгоритма сжатия ЭКГ с использованием корреляции между сокращениями без различной предварительной обработки.

Ссылки

[1] I.F. Akyildiz, W. Su, Y. Sankarasubramaniam, and E. Cayirci,

«Беспроводные сенсорные сети: обзор», Comput. Сеть., том. 38, нет.

4, стр. 393-422, март 2002 г.

[2] С. М. С. Джалаледдин, К. Г. Хатченс, Р.D. Strattan и W. A. ​​

Coberly, «Методы сжатия данных ЭКГ — единый подход»,

IEEE Trans. Биомед. англ., вып. 37, нет. 4, стр. 329-343, апрель 1990 г.

[3] Б. Ван и Г. Юань, «Сжатие данных ЭКГ путем векторного квантования», IEEE Eng. Мед. биол. Маг., вып. 16, нет. 4, стр. 23-26,

июль/авг. 1997.

[4] C. C. Sun и S. C. Tai, «Сжатие ЭКГ на основе ударов с использованием векторного квантования усиления-

», IEEE Trans. Биомед.англ., вып. 52, нет.

11, стр. 1882-1888, ноябрь 2005 г.

[5] А. Билгин, М. В. Марселлин и М. И. Альтбах, «Сжатие сигналов электрокардиограммы

с использованием JPEG2000», IEEE Trans. потреблять.

Электрон., том. 49, нет. 4, стр. 833-840, ноябрь 2003 г.

[6] Z. Xiong, A. Liveris, and S. Cheng, «Распределенное исходное кодирование для сенсорных сетей

«, IEEE Signal Processing Mag., vol. 21, нет. 5, стр.

80-94, сентябрь 2004 г.

[7] Д. Слепян и Дж.К. Вольф, Бесшумное кодирование коррелированных источников информации, IEEE Trans. Инф. Теория, вып. 19, № 4, стр. 471-480,

, июль 1973 г.

[8] С. Прадхан и К. Рамчандран, «Распределенное исходное кодирование с использованием синдромов

(DISCUS): проектирование и построение», IEEE Транс.

Инф. Теория, вып. 49, № 3, стр. 626-643, март 2003 г.

[9] База данных по аритмиям MIT-BIH, http://physionet.org/physiobank

/database/mitdb/, по состоянию на 16 сентября.2012.

[10] Ltd. Yang Ying Inc., «Монитор ЭКГ Bluetooth для исследовательских целей

», http://www.yangying.com.tw/en-products02-4.htm, доступ

. 15 октября 2013 г.

[11] HH So и KL Chan, «Разработка метода обнаружения QRS

для амбулаторного кардиомонитора в реальном времени», Proc. 19-го года. Междунар.

Конф. IEEE Engineering in Medicine and Biology Society, Чикаго,

IL, 1997, стр. 289-292.

[12] А. Гершо и Р.М.Gray, Vector Quantization and Signal Compression, Kluwer Academic Publishers, Massachusetts, 1991.

. Транс. Комм., вып. 28, нет. 1, стр. 84-95, январь

1980.

[14] C. E. Shannon, «Математическая теория связи», Bell

System Tech. Дж., том. 27, стр. 379-423, 623-656, июль, октябрь, 1948.

[15] З. Ту, Дж. Ли и Р. С. Блум, «Эффективный подход SF-ISF для

Слепян- Проблема исходного кодирования Вольфа», Eurasip J.заявл. Signal Process-

сесс., том. 2005, нет. 6, pp. 961-971, Jun. 2005.

[16] WC Huffman, RA Brualdi, and VS Pless, Handbook of Coding

Theory, Volume 1, Part 1: Algebraic Coding, Elsevier Science Inc.,

New York, 1998.

[17] S. Lin and DJ Costello, Error Control Coding, 2nd ed., Prentice-

Hall, New Jersey, 2004.

[18] LR Bahl, J. Cocke, F. Елинек и Дж. Равив, «Оптимальное декодирование

линейных кодов для минимизации частоты появления ошибочных символов», IEEE Trans.Инф.

Теория, том. 20, нет. 2, стр. 284-287, март 1974 г.

[19] Ltd. Leadtek, «Product Description: PXA 310 Mini (VGA)»,

http://www.leadtek.com.tw/pxa310mini/, по состоянию на 15 октября 2013 г.

ECG_SegNet: модель описания ЭКГ, основанная на структуре кодер-декодер

.

Первоначально эта статья была опубликована здесь

Comput Biol Med. 2022 24 марта; 145:105445. doi: 10.1016/j.compbiomed.2022.105445. Онлайн перед печатью.

РЕЗЮМЕ

С ростом использования носимых устройств для мониторинга электрокардиограммы (ЭКГ) необходимо разработать модели и алгоритмы, которые могут анализировать большие объемы данных ЭКГ, получаемых в режиме реального времени.Точное разграничение ЭКГ является ключом к помощи кардиологам в диагностике сердечных заболеваний. Основная цель этого исследования — разработать модель разграничения на основе структуры кодер-декодер для обнаружения различных форм волн сердцебиения, включая P-волны, комплексы QRS, T-волны и отсутствие волн (NW), а также начало и смещение этих сигналов. Во-первых, введение стандартного модуля расширенной свертки (SDCM) в тракт кодировщика позволило модели извлечь больше полезных информативных функций сигнала ЭКГ.Впоследствии к структуре кодирования была добавлена ​​двунаправленная долговременная кратковременная память (BiLSTM) для получения многочисленных временных характеристик. Кроме того, наборы признаков сигналов ЭКГ на каждом уровне пути кодера были подключены к части декодера для многомасштабного декодирования, чтобы уменьшить потерю информации, вызванную операцией объединения в процессе кодирования. Наконец, предложенная модель была обучена и протестирована в базах данных QT и LU, и она дала точные результаты по сравнению с другими современными методами.Что касается базы данных QT, средняя точность классификации кривых ЭКГ составила 96,90%, а средняя точность классификации в базе данных LU составила 95,40%. Кроме того, средние значения F1 99,58% и 97,05% были достигнуты в задаче разграничения ЭКГ баз данных QT и LU соответственно. Результаты показывают, что предложенная модель ECG_SegNet обладает хорошей гибкостью и надежностью при применении к описанию ЭКГ и является надежным методом анализа сигналов ЭКГ в реальном времени.

PMID:35366468 | ДОИ: 10.1016/j.compbiomed.2022.105445

Сжатие данных ЭКГ с использованием кодирования модифицированной длины цикла вейвлет-коэффициентов для холтеровского мониторирования

Доступно в Интернете 9 октября 2021 г.

https://doi.org/10.1016/j.irbm.2021.10.001Получить права и содержимое

Предлагаемый метод сжатия основан на модифицированном кодировании длин серий вейвлет-коэффициентов.

Вейвлет-разложение упаковывает максимальную энергию сигнала в несколько коэффициентов преобразования.

Квантование в мертвой зоне отбрасывает малозначные коэффициенты преобразования.

Модифицированное кодирование длин серий обеспечивает более высокую степень сжатия без потери информации.

Abstract

Objective

При лечении кардиологических пациентов сжатие долговременных данных ЭКГ необходимо для минимизации требований к хранению данных и стоимости передачи. Следовательно, в этой статье представлен новый метод сжатия данных электрокардиограммы, в котором используется модифицированное кодирование длин серий вейвлет-коэффициентов.

Метод

Сначала к данным ЭКГ применяется вейвлет-преобразование, которое разлагает их и упаковывает максимальную энергию в меньшее количество коэффициентов преобразования. Коэффициенты вейвлет-преобразования квантуются с использованием квантования мертвой зоны. Он отбрасывает малозначные коэффициенты, лежащие в интервале мертвой зоны, в то время как другие коэффициенты сохраняются в сформулированном квантованном выходном интервале. Среди всех квантованных коэффициентов среднее значение присваивается тем коэффициентам, для которых эффективность упаковки энергии меньше 99.99%. Полученные коэффициенты кодируются с использованием модифицированного кодирования длин серий. Он обеспечивает более высокую степень сжатия, чем обычное кодирование длин серий, без потери информации.

Результаты

Эффективность компрессии предлагаемого метода оценивается с использованием различных записей ЭКГ, взятых из базы данных аритмий MIT-BIH. Средняя производительность сжатия с точки зрения коэффициента сжатия, процентной среднеквадратичной разности, нормализованной процентной среднеквадратичной разности и отношения сигнал/шум составляет 17.18, 3,92, 6,36 и 28,27 дБ соответственно для 48 записей ЭКГ.

Заключение

Результаты сжатия, полученные с помощью предложенного метода, лучше, чем методы, недавно внедренные другими. Предложенная методика может быть использована для сжатия записей ЭКГ холтеровского мониторирования.

Ключевые слова

ЭКГ

Сжатие

Вейвлет-преобразование

Кодирование длин серий

Квантование мертвых зон

Рекомендуемые статьи

Показать полный текст

2 © 202 BM AG.Опубликовано Elsevier Masson SAS. Все права защищены.

Автоматическая классификация сердечных сокращений с использованием сигналов ЭКГ посредством скрытой марковской модели высшего порядка — Ученые Техасского технологического университета

AU — Xiang, Yisha

AU — Du, Dongping

N1 — Авторские права издателя: © 2020 IEEE.

PY — 2020/8

Y1 — 2020/8

N2 — Анализ сигналов сердцебиения имеет решающее значение для получения информации для диагностики сердечных заболеваний, например.g., обнаружение биений, сегментация и классификация на основе сигналов электрокардиограммы (ЭКГ). В этой статье предлагается система автоматической классификации сердечных сокращений, основанная на скрытых марковских моделях более высокого порядка (HOHMM). Предлагаемая система состоит из четырех этапов: этап предварительной обработки сигнала ЭКГ, этап обучения HOHMM, этап декодирования и этап классификации. HOHMM расширяет базовую скрытую марковскую модель (HMM), позволяя скрытому состоянию зависеть от его более отдаленного прошлого, которое используется для определения паттернов сердцебиения с использованием собранных данных ЭКГ.Полученные HOHMM затем используются для декодирования и классификации новых сердечных сокращений с неизвестными типами. Тематическое исследование проводится для оценки эффективности классификации предлагаемой системы с использованием базы данных MIT-BIH Arrhythmia. Экспериментальные результаты показывают, что разработанная система классификации работает достаточно хорошо, особенно для обнаружения аритмии.

AB — Анализ сигналов сердцебиения имеет решающее значение для получения информации для диагностики сердечных заболеваний, например, для обнаружения сокращений, сегментации и классификации на основе сигналов электрокардиограммы (ЭКГ).В этой статье предлагается система автоматической классификации сердечных сокращений, основанная на скрытых марковских моделях более высокого порядка (HOHMM). Предлагаемая система состоит из четырех этапов: этап предварительной обработки сигнала ЭКГ, этап обучения HOHMM, этап декодирования и этап классификации. HOHMM расширяет базовую скрытую марковскую модель (HMM), позволяя скрытому состоянию зависеть от его более отдаленного прошлого, которое используется для определения паттернов сердцебиения с использованием собранных данных ЭКГ. Полученные HOHMM затем используются для декодирования и классификации новых сердечных сокращений с неизвестными типами.Тематическое исследование проводится для оценки эффективности классификации предлагаемой системы с использованием базы данных MIT-BIH Arrhythmia. Экспериментальные результаты показывают, что разработанная система классификации работает достаточно хорошо, особенно для обнаружения аритмии.

кВт — ЭКГ

кВт — HOHMM

кВт — база данных Mitbih Arrhythmia

кВт — классификация сердцебиения

UR — http://www.scopus.com/inward/record.url?scp=85094097092&partnerid=8yflogxk

У2 — 10.1109 / Case48305.2020.9216956

do — 10.1109

do — 10.1109 / Case48305.2020.9216956

M3 — Конференция вклад

AN — SCOPUS: 85094097092

T3 — IEEE Международная конференция по автоматизации науки и инжиниринга

EP — 74

BT — 2020 IEEE 16-я Международная конференция по науке и технике автоматизации, CASE 2020 Ядро TensorFlow

В этом руководстве представлены автокодировщики на трех примерах: основы, шумоподавление изображения и обнаружение аномалий.

Автоэнкодер — это особый тип нейронной сети, которая обучена копировать входные данные в выходные. Например, при наличии изображения рукописной цифры автокодер сначала кодирует изображение в скрытое представление меньшего размера, а затем декодирует скрытое представление обратно в изображение. Автоэнкодер учится сжимать данные, сводя к минимуму ошибку реконструкции.

Чтобы узнать больше об автоэнкодерах, прочитайте главу 14 книги «Глубокое обучение» Яна Гудфеллоу, Йошуа Бенджио и Аарона Курвилля.

Импорт TensorFlow и других библиотек

  импортировать matplotlib.pyplot как plt
импортировать numpy как np
импортировать панд как pd
импортировать тензорный поток как tf

из sklearn.metrics импортировать точность_оценки, точности_оценки, отзыв_оценки
из sklearn.model_selection импорта train_test_split
из слоев импорта tensorflow.keras, потери
из tensorflow.keras.datasets импортирует fashion_mnist
из модели импорта tensorflow.keras.models
  

Загрузить набор данных

Для начала вы обучите базовый автоэнкодер, используя набор данных Fashion MNIST.Каждое изображение в этом наборе данных имеет размер 28×28 пикселей.

  (x_train, _), (x_test, _) = fashion_mnist.load_data()

x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.

печать (x_train.shape)
печать (x_test.shape)
  
Загрузка данных из https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz
32768/29515 [================================] - 0s 0us/шаг
40960/29515 [========================================] - 0s 0us/ шаг
Загрузка данных из https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz
26427392/26421880 [==============================] - 0s 0us/шаг
26435584/26421880 [==============================] - 0s 0us/шаг
Загрузка данных из https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz
16384/5148 [============================================= ================================================] - 0s 0us/шаг
Загрузка данных из https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz
4423680/4422102 [==============================] - 0s 0us/шаг
4431872/4422102 [==============================] - 0s 0us/шаг
(60000, 28, 28)
(10000, 28, 28)
 

Первый пример: базовый автоэнкодер

Определите автоэнкодер с двумя плотными слоями: кодировщик , который сжимает изображения в 64-мерный скрытый вектор, и декодер , который реконструирует исходное изображение из скрытого пространства.

Чтобы определить свою модель, используйте API подкласса модели Keras.

  скрытый_дим = 64

класс автоэнкодер (модель):
  def __init__(я, скрытый_дим):
    супер(автоэнкодер, сам).__init__()
    self.latent_dim = скрытый_dim
    self.encoder = tf.keras.Sequential([
      слои.Свести(),
      слои.Dense (latent_dim, активация = 'relu'),
    ])
    self.decoder = tf.keras.Sequential([
      слои.Dense(784, активация='сигмоид'),
      слои.Изменить форму((28, 28))
    ])

  деф вызов(я, х):
    закодировано = само.кодировщик (х)
    декодированный = self.decoder (закодированный)
    вернуть декодированный

автоэнкодер = автоэнкодер (latent_dim)
  
  autoencoder.compile(optimizer='adam', loss=losses.MeanSquaredError())
  

Обучите модель, используя x_train как в качестве входных данных, так и в качестве цели. Кодер научится сжимать набор данных из 784 измерений в скрытое пространство, а декодер научится восстанавливать исходные изображения. .

  автоэнкодер.подходят (x_train, x_train,
                эпохи=10,
                перемешать = Верно,
                validation_data=(x_test, x_test))
  
Эпоха 1/10
1875/1875 [==============================] - 4s 2ms/шаг - loss: 0,0243 - val_loss: 0,0140
Эпоха 2/10
1875/1875 [==============================] - 3s 2ms/шаг - loss: 0,0116 - val_loss: 0,0106
Эпоха 3/10
1875/1875 [==============================] - 3s 2ms/шаг - loss: 0,0100 - val_loss: 0.0098
Эпоха 4/10
1875/1875 [==============================] - 3s 2ms/шаг - loss: 0,0094 - val_loss: 0,0094
Эпоха 5/10
1875/1875 [==============================] - 3s 2ms/шаг - loss: 0,0092 - val_loss: 0,0092
Эпоха 6/10
1875/1875 [==============================] - 3s 2ms/шаг - loss: 0,0090 - val_loss: 0,0091
Эпоха 7/10
1875/1875 [==============================] - 3s 2ms/шаг - loss: 0,0090 - val_loss: 0,0090
Эпоха 8/10
1875/1875 [==============================] - 3s 2ms/шаг - loss: 0.0089 - val_loss: 0,0090
Эпоха 9/10
1875/1875 [==============================] - 3s 2ms/шаг - loss: 0,0088 - val_loss: 0,0089
Эпоха 10/10
1875/1875 [==============================] - 3s 2ms/шаг - loss: 0,0088 - val_loss: 0,0089

 

Теперь, когда модель обучена, давайте проверим ее, кодируя и декодируя изображения из тестового набора.

  encoded_imgs = autoencoder.encoder(x_test).пустой ()
decoded_imgs = autoencoder.decoder(encoded_imgs).numpy()
  
  n = 10
plt.figure(figsize=(20, 4))
для я в диапазоне (n):
  # показать оригинал
  топор = plt.subplot (2, n, я + 1)
  plt.imshow (x_test [я])
  plt.title("оригинал")
  plt.gray()
  ax.get_xaxis().set_visible(False)
  ax.get_yaxis().set_visible(False)

  # отображение реконструкции
  топор = plt.subplot (2, n, я + 1 + n)
  plt.imshow(decoded_imgs[i])
  plt.title("реконструированный")
  plt.gray()
  ax.get_xaxis().set_visible(False)
  топор.get_yaxis().set_visible(False)
plt.show()
  

Второй пример: шумоподавление изображения

Автоэнкодер также можно обучить удалять шум с изображений. В следующем разделе вы создадите зашумленную версию набора данных Fashion MNIST, применяя случайный шум к каждому изображению. Затем вы обучите автоэнкодер, используя зашумленное изображение в качестве входных данных и исходное изображение в качестве цели.

Повторно импортируем набор данных, чтобы исключить сделанные ранее изменения.

  (x_train, _), (x_test, _) = fashion_mnist.load_data()
  
  x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.

x_train = x_train[..., tf.newaxis]
x_test = x_test[..., tf.newaxis]

печать (x_train.shape)
  
(60000, 28, 28, 1)
 

Добавление случайного шума к изображениям

  шумовой_фактор = 0,2
x_train_noisy = x_train + шумовой_фактор * tf.random.normal(shape=x_train.shape)
x_test_noisy = x_test + шумовой_фактор * tf.случайный.нормальный (форма = x_test.shape)

x_train_noisy = tf.clip_by_value(x_train_noisy, clip_value_min=0., clip_value_max=1.)
x_test_noisy = tf.clip_by_value(x_test_noisy, clip_value_min=0., clip_value_max=1.)
  

Постройте зашумленные изображения.

  n = 10
plt.figure(figsize=(20, 2))
для я в диапазоне (n):
    топор = plt.subplot (1, n, я + 1)
    plt.title("оригинал + шум")
    plt.imshow (tf.squeeze (x_test_noisy [i]))
    plt.gray()
plt.show()
  

Определение сверточного автоэнкодера

В этом примере вы будете обучать сверточный автоэнкодер, используя слои Conv2D в кодере и слои Conv2DTranspose в декодере .

  класса Denoise(Модель):
  защита __init__(сам):
    супер(Подавить шум, сам).__init__()
    self.encoder = tf.keras.Sequential([
      слои. Ввод (форма = (28, 28, 1)),
      слои.Conv2D (16, (3, 3), активация = 'relu', отступ = 'то же', шаги = 2),
      слои.Conv2D (8, (3, 3), активация = 'relu', заполнение = 'то же', шаги = 2)])

    self.decoder = tf.keras.Sequential([
      слои.Conv2DTranspose(8, kernel_size=3, шаги=2, активация='relu', заполнение='такое же'),
      слои.Conv2DTranspose(16, kernel_size=3, шаги=2, активация='relu', заполнение='такое же'),
      слои.Conv2D(1, kernel_size=(3, 3), активация='сигмоид', заполнение='такое же')])

  деф вызов(я, х):
    закодировано = self.encoder(x)
    декодированный = self.decoder (закодированный)
    вернуть декодированный

автоэнкодер = Шумоподавление ()
  
  autoencoder.compile(optimizer='adam', loss=losses.MeanSquaredError())
  
  autoencoder.fit(x_train_noisy, x_train,
                эпохи=10,
                перемешать = Верно,
                validation_data=(x_test_noisy, x_test))
  
Эпоха 1/10
1875/1875 [==============================] - 8s 3ms/шаг - loss: 0.0169 - val_loss: 0,0107
Эпоха 2/10
1875/1875 [==============================] - 6s 3ms/шаг - loss: 0,0095 - val_loss: 0,0086
Эпоха 3/10
1875/1875 [==============================] - 6s 3ms/шаг - loss: 0,0082 - val_loss: 0,0080
Эпоха 4/10
1875/1875 [==============================] - 6s 3ms/шаг - loss: 0,0078 - val_loss: 0,0077
Эпоха 5/10
1875/1875 [==============================] - 6s 3ms/шаг - loss: 0,0076 - val_loss: 0.0075
Эпоха 6/10
1875/1875 [==============================] - 6s 3ms/шаг - loss: 0,0074 - val_loss: 0,0074
Эпоха 7/10
1875/1875 [==============================] - 6s 3ms/шаг - loss: 0,0073 - val_loss: 0,0073
Эпоха 8/10
1875/1875 [==============================] - 6s 3ms/шаг - loss: 0,0072 - val_loss: 0,0072
Эпоха 9/10
1875/1875 [==============================] - 6s 3ms/шаг - loss: 0,0071 - val_loss: 0,0071
Эпоха 10/10
1875/1875 [==============================] - 6s 3ms/шаг - loss: 0.0070 - val_loss: 0,0071

 

Давайте взглянем на сводку кодировщика. Обратите внимание, как изображения уменьшаются с 28×28 до 7×7.

  autoencoder.encoder.summary()
  
Модель&двоеточие; "последовательный_2"
_________________________________________________________________
 Слой (тип) Выходная форма Параметр #
================================================== ===============
 conv2d (Conv2D) (Нет, 14, 14, 16) 160
                                                                 
 conv2d_1 (Conv2D) (Нет, 7, 7, 8) 1160
                                                                 
================================================== ===============
Всего параметров & двоеточие; 1320
Обучаемые параметры & двоеточие; 1320
Необучаемые параметры & двоеточие; 0
_________________________________________________________________
 

Декодер увеличивает разрешение изображения с 7×7 до 28×28.

  autoencoder.decoder.summary()
  
Модель&двоеточие; "последовательный_3"
_________________________________________________________________
 Слой (тип) Выходная форма Параметр #
================================================== ===============
 conv2d_transpose (Conv2DTra (Нет, 14, 14, 8) 584
 nspose)
                                                                 
 conv2d_transpose_1 (Conv2DT (нет, 28, 28, 16) 1168
 выкуп)
                                                                 
 conv2d_2 (Conv2D) (Нет, 28, 28, 1) 145
                                                                 
================================================== ===============
Всего параметров & двоеточие; 1897
Обучаемые параметры & двоеточие; 1897
Необучаемые параметры & двоеточие; 0
_________________________________________________________________
 

Построение как зашумленных изображений, так и изображений с шумоподавлением, созданных автоэнкодером.

  encoded_imgs = autoencoder.encoder(x_test).numpy()
decoded_imgs = autoencoder.decoder(encoded_imgs).numpy()
  
  n = 10
plt.figure(figsize=(20, 4))
для я в диапазоне (n):

    # отображать оригинал + шум
    топор = plt.subplot (2, n, я + 1)
    plt.title("оригинал + шум")
    plt.imshow (tf.squeeze (x_test_noisy [i]))
    plt.gray()
    ax.get_xaxis().set_visible(False)
    ax.get_yaxis().set_visible(False)

    # отображение реконструкции
    bx = plt.subplot (2, n, я + n + 1)
    пл.заголовок("реконструированный")
    plt.imshow(tf.squeeze(decoded_imgs[i]))
    plt.gray()
    bx.get_xaxis().set_visible(False)
    bx.get_yaxis().set_visible(False)
plt.show()
  

Третий пример: обнаружение аномалий

Обзор

В этом примере вы обучите автоэнкодер обнаруживать аномалии в наборе данных ECG5000. Этот набор данных содержит 5000 электрокардиограмм, каждая из которых содержит 140 точек данных. Вы будете использовать упрощенную версию набора данных, где каждый пример помечен либо 0 (соответствует аномальному ритму), либо 1 (соответствует нормальному ритму).Вы заинтересованы в выявлении аномальных ритмов.

Примечание: Это помеченный набор данных, поэтому вы можете сформулировать это как задачу контролируемого обучения. Цель этого примера — проиллюстрировать концепции обнаружения аномалий, которые вы можете применить к большим наборам данных, где у вас нет доступных меток (например, если у вас есть много тысяч нормальных ритмов и лишь небольшое количество аномальных ритмов).

Как вы будете обнаруживать аномалии с помощью автоэнкодера? Напомним, что автоэнкодер обучен минимизировать ошибку реконструкции.Вы будете обучать автоэнкодер только обычным ритмам, а затем использовать его для восстановления всех данных. Наша гипотеза состоит в том, что аномальные ритмы будут иметь более высокую ошибку реконструкции. Затем вы классифицируете ритм как аномалию, если ошибка реконструкции превышает фиксированный порог.

Загрузить данные ЭКГ

Набор данных, который вы будете использовать, основан на наборе данных с сайта timeseriesclassification.com.

  # Скачать набор данных
dataframe = pd.read_csv('http://storage.googleapis.com/download.tensorflow.org/data/ecg.csv ', заголовок = нет)
необработанные_данные = кадр данных.значения
кадр данных.голова()
  
  # Последний элемент содержит метки
метки = необработанные_данные[:, -1]

# Другие точки данных - это данные электрокадриограммы
данные = необработанные_данные[:, 0:-1]

train_data, test_data, train_labels, test_labels = train_test_split(
    данные, метки, test_size=0.2, random_state=21
)
  

Нормализация данных до [0,1] .

  min_val = tf.reduce_min(train_data)
макс_знач = тс.уменьшить_макс (поезд_данные)

train_data = (train_data - min_val) / (max_val - min_val)
test_data = (test_data - min_val) / (max_val - min_val)

train_data = tf.cast (train_data, tf.float32)
test_data = tf.cast (test_data, tf.float32)
  

Вы будете обучать автоэнкодер, используя только обычные ритмы, которые помечены в этом наборе данных как 1 . Отделите нормальные ритмы от аномальных ритмов.

  train_labels = train_labels.astype(bool)
метки_теста = метки_теста.astype (логическое значение)

normal_train_data = train_data[train_labels]
normal_test_data = test_data[test_labels]

аномальные_данные_поезда = данные_поезда[~метки_поезда]
аномальные_тестовые_данные = тестовые_данные[~тестовые_метки]
  

Постройте нормальную ЭКГ.

  plt.grid()
plt.plot(np.arange(140), normal_train_data[0])
plt.title("Нормальная ЭКГ")
plt.show()
  

Нарисуйте аномальную ЭКГ.

  plt.grid()
plt.plot(np.arange(140), anomalous_train_data[0])
пл.title("Аномальная ЭКГ")
plt.show()
  

Соберите модель

  класс Детектор аномалий (модель):
  защита __init__(сам):
    super(AnomalyDetector, self).__init__()
    self.encoder = tf.keras.Sequential([
      слои. Плотность (32, активация = "релу"),
      слои.Dense(16, активация = "relu"),
      слои.Dense(8, активация = "релу")])

    self.decoder = tf.keras.Sequential([
      слои.Dense(16, активация = "relu"),
      слои. Плотность (32, активация = "релу"),
      слои.Плотный (140, активация = "сигмоид")])

  деф вызов(я, х):
    закодировано = self.encoder(x)
    декодированный = self.decoder (закодированный)
    вернуть декодированный

автоэнкодер = Детектор аномалий()
  
  autoencoder.compile(optimizer='adam', loss='mae')
  

Обратите внимание, что автоэнкодер обучается с использованием только обычных ЭКГ, но оценивается с использованием полного набора тестов.

  история = autoencoder.fit(normal_train_data, normal_train_data,
          эпохи=20,
          размер партии = 512,
          validation_data=(test_data, test_data),
          перемешать = верно)
  
Эпоха 1/20
5/5 [==============================] - 1 с 33 мс/шаг - потеря&двоеточие; 0.0576 - val_loss: 0,0531
Эпоха 2/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0552 - val_loss: 0,0514
Эпоха 3/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0519 - val_loss: 0,0499
Эпоха 4/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0483 - val_loss: 0,0475
Эпоха 5/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0445 - val_loss: 0,0451
Эпоха 6/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0.0409 - val_loss: 0,0432
Эпоха 7/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0377 - val_loss: 0,0415
Эпоха 8/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0348 - val_loss: 0,0401
Эпоха 9/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0319 - val_loss: 0,0388
Эпоха 10/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0293 - val_loss: 0,0378
Эпоха 11/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0.0273 - val_loss: 0,0369
Эпоха 12/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0259 - val_loss: 0,0361
Эпоха 13/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0249 - val_loss: 0,0354
Эпоха 14/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0239 - val_loss: 0,0346
Эпоха 15/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0.0230 - val_loss: 0,0340
Эпоха 16/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0.0222 - val_loss: 0,0335
Эпоха 17/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0215 - val_loss: 0,0331
Эпоха 18/20
5/5 [===============================] - 0 с 9 мс/шаг - потеря&двоеточие; 0,0211 - val_loss: 0,0331
Эпоха 19/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0208 - val_loss: 0,0329
Эпоха 20/20
5/5 [===============================] - 0 с 8 мс/шаг - потеря&двоеточие; 0,0206 - val_loss: 0,0327
 
  пл.сюжет (история. история ["потери"], метка = "Потери на тренировках")
plt.plot(history.history["val_loss"], label="Потеря проверки")
plt.legend()
  

 

Вы скоро классифицируете ЭКГ как аномальную, если ошибка реконструкции превышает одно стандартное отклонение от нормальных тренировочных примеров. Во-первых, давайте построим нормальную ЭКГ из обучающей выборки, реконструкцию после ее кодирования и декодирования автоэнкодером и ошибку реконструкции.

  encoded_data = autoencoder.encoder(normal_test_data).numpy()
decoded_data = autoencoder.decoder (encoded_data).numpy()

plt.plot(normal_test_data[0], 'б')
plt.plot(decoded_data[0], 'r')
plt.fill_between(np.arange(140), decoded_data[0], normal_test_data[0], color='lightcoral')
plt.legend(labels=["Ввод", "Реконструкция", "Ошибка"])
plt.show()
  

Создайте аналогичный график, на этот раз для аномального тестового примера.

  encoded_data = автокодировщик.кодировщик (аномальные_тестовые_данные).numpy()
decoded_data = autoencoder.decoder (encoded_data).numpy()

plt.plot (аномальные_тестовые_данные [0], 'б')
plt.plot(decoded_data[0], 'r')
plt.fill_between(np.arange(140), decoded_data[0], anomalous_test_data[0], color='lightcoral')
plt.legend(labels=["Ввод", "Реконструкция", "Ошибка"])
plt.show()
  

Обнаружение аномалий

Обнаружение аномалий путем вычисления того, превышают ли потери реконструкции фиксированный порог. В этом руководстве вы рассчитаете среднюю среднюю ошибку для нормальных примеров из обучающей выборки, а затем классифицируете будущие примеры как аномальные, если ошибка реконструкции превышает одно стандартное отклонение от обучающей выборки.

Постройте график ошибки реконструкции на нормальных ЭКГ из обучающего набора

  реконструкций = autoencoder.predict(normal_train_data)
train_loss = tf.keras.losses.mae (реконструкции, normal_train_data)

plt.hist(train_loss[Нет,:], bins=50)
plt.xlabel("Потеря поезда")
plt.ylabel("Нет примеров")
plt.show()
  

Выберите пороговое значение, которое на одно стандартное отклонение выше среднего.

  порог = np.mean(train_loss) + np.стандарт (поезд_потеря)
print("Порог: ", порог)
  
Порог&двоеточие; 0,03241627
 
Примечание: Существуют и другие стратегии, которые можно использовать для выбора порогового значения, выше которого тестовые примеры следует классифицировать как аномальные. Правильный подход зависит от вашего набора данных. Вы можете узнать больше по ссылкам в конце этого руководства.

Если вы изучите ошибку реконструкции для аномальных примеров в тестовом наборе, вы заметите, что большинство из них имеют большую ошибку реконструкции, чем пороговое значение.Изменяя порог, вы можете настроить точность и полноту вашего классификатора.

  реконструкций = autoencoder.predict(anomalous_test_data)
test_loss = tf.keras.losses.mae (реконструкции, аномальные_тестовые_данные)

plt.hist(test_loss[Нет,:], bins=50)
plt.xlabel("Проверка потери")
plt.ylabel("Нет примеров")
plt.show()
  

Классифицировать ЭКГ как аномалию, если ошибка реконструкции превышает пороговое значение.

  по определению предсказать (модель, данные, порог):
  реконструкции = модель (данные)
  потеря = тс.keras.losses.mae (реконструкции, данные)
  вернуть tf.math.less (потеря, порог)

def print_stats (прогнозы, метки):
  print("Точность = {}".format(accuracy_score(метки, прогнозы)))
  print("Точность = {}".format(precision_score(метки, прогнозы)))
  print("Recall = {}".format(recall_score(метки, прогнозы)))
  
  preds = прогноз (автоэнкодер, тест_данные, порог)
print_stats (предыдущие, тестовые_метки)
  
Точность = 0,944
Точность = 0,9921875
Напомним = 0.

28571428571

Следующие шаги

Чтобы узнать больше об обнаружении аномалий с помощью автоэнкодеров, ознакомьтесь с отличным интерактивным примером, созданным Виктором Дибиа с помощью TensorFlow.

Похожие записи

При гормональном сбое можно ли похудеть: как похудеть при гормональном сбое

Содержание Как похудеть после гормональных таблетокЧто такое гормональные таблеткиПочему прием гормонов ведет к избыточному весу (adsbygoogle = window.adsbygoogle || []).push({}); […]

Гипотензивные средства при гиперкалиемии: Гипотензивные средства при гиперкалиемии — Давление и всё о нём

Содержание Препараты, применяемые для лечения гипертонической болезни | Илларионова Т.С., Стуров Н.В., Чельцов В.В.Основные принципы антигипертензивной терапииКлассификация Агонисты имидазолиновых I1–рецепторов […]

Прикорм таблица детей до года: Прикорм ребенка — таблица прикорма детей до года на грудном вскармливании и искусственном

Содержание Прикорм ребенка — таблица прикорма детей до года на грудном вскармливании и искусственномКогда можно и нужно вводить прикорм грудничку?Почему […]

Добавить комментарий

Ваш адрес email не будет опубликован.