Классификация аритмий с использованием предварительно обученной модели глубокого обучения с бинарными изображениями сегментированной ЭКГ

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.

1. Smoot K. Heart Rhythm and Arrythmias // Johns Hopkins Medicine. URL: https://www.hopkinsmedicine.org/heart_vascular_institute/cardiovascular-research/heart-rhythm-and-arrythmias.html (дата обращения 22.10.2022)

2. Cardiovascular diseases (CVDs) // World Health Organization. URL: https://www.who.int/newsroom/fact-sheets/detail/cardiovascular-diseases-(cvds) (дата обращения 24.10.2022)

3. Bousseljot R. D., Kreiseler D., Schnabel A. The PTB Diagnostic ECG Database. doi:10.13026/C28C71. URL: https://physionet.org/content/ptbdb/ (дата обращения 15.10.2022)

4. Moody G., Mark R. MIT-BIH Arrhythmia Database. doi:10.13026/C2F305. URL: https://physionet.org/content/mitdb/ (дата обращения 15.10.2022)

5. ECG Classification Using Deep CNN Improved by Wavelet Transform / Y. Zhao, J. Cheng, P. Zhang, X. Peng // Computers, Materials & Continua. 2020. Vol. 64, № 3. P. 1615–1628. doi:10.32604/cmc.2020.09938

6. Ari S., Das M. K., Chacko A. ECG signal enhancement using S-Transform // Computers in Biology and Medicine. 2013. Vol. 43, № 6. P. 649–660. doi:10.1016/j.compbiomed.2013.02.015

7. Fernandes F. C. A., van Spaendonck R. L. C., Burrus C. S. A new framework for complex wavelet transforms // IEEE Transactions on Signal Processing. 2003. Vol. 51, № 7. P. 1825–1837. doi:10.1109/TSP.2003.812841

8. Yi X., Walia E., Babyn P. Generative adversarial network in medical imaging: A review // Medical Image Analysis. 2019. Vol. 58. P. 101552. doi:10.1016/j.media.2019.101552

9. Synthesizing electronic health records using improved generative adversarial networks / M. K. Baowaly, Ch.-Ch. Lin, Ch.-L. Liu, K.-T. Chen // J. of the American Medical Informatics Association. 2019. Vol. 26, № 3. P. 228–241. doi:10.1093/jamia/ocy142

10. Generalization of Convolutional Neural Networks for ECG Classification Using Generative Adversarial Networks / A. M. Shaker, M. Tantawi, H. A. Shedeed, M. F. Tolba // IEEE Access. 2020. Vol. 8. P. 35592–35605. doi:10.1109/ACCESS.2020.2974712

11. Automated arrhythmia classification using depthwise separable convolutional neural network with focal loss / Y. Li, M. Jiang, L. Wei, J. Zhang, Zh. Wang, B. Wei, L. Xia // Biomedical Signal Processing and Control. 2021. Vol. 69. P. 102843. doi:10.1016/j.bspc.2021.102843

12. Weimann K., Conrad T. O. F. Transfer learning for ECG classification // Sci Rep. 2021. Vol. 11, № 1. P. 5251. doi:10.1038/s41598-021-84374-8

13. ECG Database for Evaluating the Efficiency of Recognizing Dangerous Arrhythmias / L. A. Manilo, A. P. Nemirko, E. G. Evdakova, A. A. Tatarinova // Proc. of the 2021 IEEE Ural-Siberian Conf. on Computational Technologies in Cognitive Science, Genomics and Biomedicine. 2021. P. 120–123. doi:10.1109/CSGB53040.2021.9496029

14. ECG Fragment Database for the Exploration of Dangerous Arrhythmia / A. Nemirko, M. Manilo, A. Tatarinova, B. Alekseev, E. Evdakova. doi: 10.13026/kpfg-xs25. URL: https://physionet.org/content/ecg-fragment-high-risk-label/1.0.0/ (дата обращения 15.10.2022)

15. Ba Mahel A. S., Harold N., Solieman H. Arrhythmia Classification Using Alexnet Model Based on Orthogonal Leads and Different Time Segments // Proc. of the 2022 Conf. of Russian Young Researchers in Electrical and Electronic Engineering. 2022. P. 1312–1315. doi:10.1109/ElConRus54750.2022.9755708