Объяснимая модель для классификации ЭКГ сигналов
Введение
Сердечно-сосудистые заболевания являются основной причиной смертности и заболеваемости во всем мире и представляют собой общий термин для обозначения заболеваний сердца или кровеносных сосудов. Из-за высокого уровня смертности от сердечно-сосудистых заболеваний раннее выявление и точное определение диагноза имеют важное значение для лечения пациента. Электрокардиограмма (ЭКГ) – это недорогая и простая процедура, которая помогает понять работу сердца, что в свою очередь позволяет диагностировать сердечные заболевания. ЭКГ регистрирует электрическую активность сердца, на основании которой кардиолог может определить нарушения в функционировании сердца. Процесс анализа ЭКГ записей требует времени и внимания высококвалифицированного специалиста. Также, этот анализ подвержен человеческому фактору. Довольно часто случаются ошибки в диагностике ранних признаков сердечных заболеваний кардиологами. Поэтому сейчас очень важно автоматизировать классификацию сигналов ЭКГ
Оглавление
1.Введение4
2.Постановка задачи6
2.1.Основные понятия и определения6
2.2.Методы объяснимого искусственного интеллекта9
2.3.Интерпретируемые модели11
2.4.Апостериорные методы объяснений13
2.5.Механизмы внимания15
3.Постановка задачи17
4.Основная часть18
4.1.Набор данных18
4.2.Подготовка данных22
4.3.Архитектура модели23
4.4.Обучение модели27
4.5.Тестирование модели29
4.6.Результаты32
5.Заключение36
6.Список литературы37
7.Приложения39
Список литературы
Sahar Soltanieh. In-Distribution and Out-of-Distribution Self-supervised ECG Representation Learning for Arrhythmia Detection / Sahar Soltanieh, Javad Hashemi, Ali Etemad. – 2023.
Kushagra Sharma. Deep Learning-based ECG Classification on Raspberry PI using a Tensorflow Lite Model based on PTB-XL Dataset / Kushagra Sharma, Rasit Eskicioglu // International Journal of Artificial Intelligence and Applications. – 2022.
Joon-myoung Kwon. Artificial intelligence using electrocardiography: strengths and pitfalls / Joon-myoung Kwon, Yong-Yeon Jo, Soo Youn Lee, Kyung-Hee Kim // European Heart Journal. - 2021.
Wagner, P., Strodthoff, N., Bousseljot, R.D., Kreiseler, D., Lunze, F.I., Samek, W., and Schaeffter, T. (2020). PTB-XL, a large publicly available electrocardiography dataset. Sci. Data 7, 1–15.
Smigiel, S., Pałczy ́nski, K., Ledzi ́nski, D. ECG Signal Classification Using Deep Learning Techniques Based on the PTB-XL Dataset. Entropy 2021, 23, 1121.
Moskalenko V.A., Zolotykh N.Yu., Osipov G.V. Deep learning for ECG segmentation // Studies in Computational Intelligence. V. 856. 2020. P. 246-254.
Hirohisa Taniguchi. Explainable Artificial Intelligence Model for Diagnosis of Atrial Fibrillation Using Holter Electrocardiogram Waveforms / Hirohisa Taniguchi, Tomohiro Takata, Mineki Takechi, Asuka Furukawa, Jin Iwasawa, Akio Kawamura, Tadahiro Taniguchi, Yuichi Tamura // International Heart Journal. - 2021. - P. 534 - 539.
B. Murugesan et al., "ECGNet: Deep Network for Arrhythmia Classification," 2018 IEEE International Symposium on Medical Measurements and Applications (MeMeA), Rome, Italy, 2018, pp. 1-6,
S. Karthik. Automated Deep Learning Based Cardiovascular Disease Diagnosis Using ECG Signals / S. Karthik, M. Santhosh, M. S. Kavitha1 and A. Christopher Paul // Computer Systems Science & Engineering. – 2022.
Quancheng Geng. An ECG Classification Method Based on Multi-Task Learning and CoT Attention Mechanism / Quancheng Gen
Рисунок 3. Набор данных PTB-XL с точки зрения диагностических суперклассов и подклассов, где размер области представляет собой долю образцов
Рисунок 4. Примеры ЭКГ для каждого суперкласса
Следует отметить, что набор данных PTB-XL предоставляет разнообразную коллекцию записей ЭКГ, что позволяет обучать и оценивать модель при широком спектре сердечных патологий и заболеваний.
Подготовка данныхНа этапе предварительной обработки алгоритма многоканальный ЭКГ сигнал разделяется на сегменты ударов фиксированной длины W для каждого отдельного канала. Цель этого разделения – выделение отдельных сердечных сокращений для дальнейшего анализа. Далее используется метод скользящего окна для сегментации ЭКГ сигнала на сегменты ударов. Скользящее окно перемещается по сигналу ЭКГ без перекрытия, каждое окно начинается сразу после окончания предыдущего.