Солиман Ханади – бакалавр по направлению "Электромеханика – мехатроника" (2018, университет Тишрин, Сирия), магистр по направлению "Биотехнические системы и технологии" (2020), аспирантка 3-го года, ассистент кафедры биотехнических систем Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" им. В. И. Ульянова (Ленина), ассистент университета Тишрин. Автор более 10 научных публикаций. Сфера научных интересов – медицинское приборостроение; медицинская информатика; обработка и анализ биомедицинских сигналов и данных.
197022, Санкт-Петербург, ул. Профессора Попова, д. 5 Ф
Hanadi Solieman, Bachelor in Electromechanics – Mechatronics (2018, Tishreen University, Syria), Master in Bioengineering Systems and Technologies (2020), 3rd year Postgraduate student, Assistant at the Department of Bioengineering Systems of Saint Petersburg Electrotechnical University. Assistant at the Mechatronics program for Distinguished at Tishreen University. The author of more than 10 scientific publications. Area of expertise: medical instrumentation; medical informatics; processing and analysis of biomedical signals and data.
197022, St Petersburg, Professor Popov St., 5 F
Сали Салар – бакалавр по направлению "Электромеханика – мехатроника" (2020, университет Тишрин, Сирия), магистрант 2-го года кафедры биотехнических систем Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" им. В. И. Ульянова (Ленина), ассистент университета Тишрин. Сфера научных интересов – медицинское приборостроение; медицинская информатика; обработка и анализ биомедицинских сигналов и данных.
197022, Санкт-Петербург, ул. Профессора Попова, д. 5 Ф
Salar Sali, Bachelor in Electromechanics – Mechatronics (2020, Tishreen University, Syria), 2rd year Master's student at the Department of Bioengineering Systems of Saint Petersburg Electrotechnical University. Area of expertise: medical instrumentation; medical informatics; processing and analysis of biomedical signals and data.
197022, St Petersburg, Professor Popov St., 5 F
Введение. Аритмия, или нерегулярное сердцебиение, возникает, когда электрическая система сердца дезорганизована или не синхронизирована, и может вызвать инсульты, внезапную сердечную смерть и другие осложнения. Автоматизированная классификация аритмий с использованием глубокого обучения сэкономила бы время и энергию при внедрении в систему поддержки принятия решений в больницах.Цель работы. Изучение эффективности улучшения классификации аритмий после использования двоичных изображений сегментированных сигналов электрокардиограммы (ЭКГ) с комбинациями ортогональных и поверхностных сигналов.Материалы и методы. В данной статье изучается классификация аритмий с использованием двоичных изображений поверхностных и ортогональных сигналов ЭКГ. Маркировка данных автоматизируется с использованием языка программирования Python, для всех сигналов реализуется предварительная обработка, а затем полученные сигналы наносятся на график и сегментируются в 2-секундных окнах. Эти сегменты сохраняются как изображения RGB, затем преобразуются в двоичные изображения, где сигнал белый, а фон черный. Предварительно обученная модель Alexnet используется для классификации девяти классов, где каждая поверхностная ЭКГ и ортогональное отведение классифицируются отдельно.Результаты. Производительность модели оценивается по средней точности, прецизионности, F1-score и матрице путаницы всех лидов. Результаты параллельной классификации ЭКГ в 12 отведениях лучше, чем для ортогональных отведений, и все отведения с точностью, прецизионностью и F1-score равны 0.84, 0.78 и 0.71 соответственно.Заключение. Производительность модели оценивалась для трех случаев: 12 поверхностных отведений ЭКГ, ортогональных отведений и всех отведений. Вычисленные средние значения показателей (точность, прецизионность и оценка F1) для каждого случая показывают, что использования 12 поверхностных отведений ЭКГ достаточно для классификации девяти различных типов аритмии с использованием двоичных изображений сегментов ЭКГ.
Introduction. Arrhythmia or irregular heartbeat occur when the heart’s electrical system is disorganized or out of sync, which may cause strokes, sudden cardiac death, and other complications. The introduction of an automated classification of arrhythmias based on deep learning could facilitate the decision-making process by saving time and labor resources.Aim. To study the performance of a modified arrhythmia classification improved by using binary images of segmented ECG signals with combinations of orthogonal and surface signals.Materials and methods. This article studies an arrhythmia classification based on binary images of surface and orthogonal ECG signals. The data labeling was automated using the Python programming language. Initially, all signals are subjected to preprocessing followed by their plotting and segmenting in 2-second windows. Next, those segments are saved as RGB images followed by their conversion into binary images, where the signal is white, and the background is black. Finally, the pre-trained Alexnet model is used to classify nine classes, where each surface ECG and orthogonal lead is classified separately.Results. The performance of the model is evaluated by the mean accuracy, precision, F1-score, and confusion matrix of all leads. The results of a parallel classification of 12 lead ECG are better than those for the orthogonal leads. All leads with accuracy, precision, and F1-score equal to 0.84, 0.78, and 0.71, respectively.Conclusion. The performance of the model was evaluated for three cases: 12 surface ECG leads, orthogonal leads, and all leads. The calculated mean values of accuracy, precision, and F1-score for each case confirmed the sufficiency of the 12-lead surface ECG for classifying nine different types of arrhythmia using binary images of ECG segments.
The authors declare that there are no conflicts of interest present.