NÂNG CAO HIỆU SUẤT PHÂN LOẠI ĐIỆN TÂM ĐỒ DỰA TRÊN HỌC CHUYỂN GIAO VÀ MẠNG DENSENET-BILSTM NHẸ

Bùi Thị Hạnh

doi:10.34238/tnu-jst.12831

NÂNG CAO HIỆU SUẤT PHÂN LOẠI ĐIỆN TÂM ĐỒ DỰA TRÊN HỌC CHUYỂN GIAO VÀ MẠNG DENSENET-BILSTM NHẸ

Thông tin bài báo

Ngày nhận bài: 19/05/25 Ngày hoàn thiện: 29/06/25 Ngày đăng: 30/06/25

Các tác giả

Bùi Thị Hạnh , Đại học Phenikaa

Tóm tắt

Sự xuất hiện của các thiết bị theo dõi điện tâm đồ với giá cả phải chăng và thân thiện với người dùng đã góp phần cải thiện dịch vụ chăm sóc sức khỏe cho những bệnh nhân mắc chứng rối loạn nhịp tim. Tuy nhiên, việc chẩn đoán hiệu quả các bản ghi điện tâm đồ vẫn là thách thức, ngay cả với các chuyên gia y tế giàu kinh nghiệm. Nghiên cứu này đề xuất thuật toán phân loại điện tâm đồ dựa trên học chuyển giao, sử dụng mạng tích chập kết nối dày đặc nhẹ kết hợp mạng bộ nhớ ngắn hạn hai chiều. Trước tiên, chúng tôi huấn luyện sơ bộ mô hình trên tập dữ liệu Icentia11K – tập dữ liệu công khai lớn nhất về các bản ghi điện tâm đồ liên tục – sau đó tinh chỉnh nó trên tập dữ liệu CPSC2018. Mô hình cho thấy hiệu suất tương đương với các phương pháp hiện đại, đạt điểm là 0,839 mà không cần huấn luyện sơ bộ. Khi được huấn luyện sơ bộ, điểm tiếp tục cải thiện lên 0,849. Cấu trúc mạng được đề xuất vượt trội hơn các phương pháp hiện tại qua nhiều chỉ số, bao gồm diện tích dưới đường cong, , , và . Giá trị của diện tích dưới đường cong và lần lượt là 0,986 và 0,886 cho tập dữ liệu CPSC2018.

Từ khóa

Điện tâm đồ; Rối loạn nhịp tim; Học chuyển giao; Mạng bộ nhớ ngắn hạn hai chiều; Mạng tích chập

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] T. Anbalagan, M. K. Nath, D. Vijayalakshmi, and A. Anbalagan, “Analysis of various techniques for ECG signal in healthcare, past, present, and future,” Biomedical Engineering Advances, vol. 6, 2023, Art. no. 100089.

[2] S. Majid and A.-M. Fardin, “A novel method for reducing arrhythmia classification from 12-lead ECG signals to single-lead ECG with minimal loss of accuracy through teacher-student knowledge distillation,” Information Sciences, vol. 593, pp. 64-77, 2022.

[3] A. K. Sangaiah, M. Arumugam, and G. B. Bian, “An intelligent learning approach for improving ECG signal classification and arrhythmia analysis,” Artificial Intelligence in Medicine, vol. 103, 2020, Art. no. 101788.

[4] Y. Lu, M. Jiang, L. Wei, J. Zhang, Z. Wang, B. Wei, and L. Xia, “Automated arrhythmia classification using depthwise separable convolutional neural network with focal loss,” Biomedical Signal Processing and Control, vol. 69, 2021, Art. no. 102843.

[5] L. Qin, Y. Xie, X. Liu, X. Yuan, and H. Wang, “An end-to-end 12-leading electrocardiogram diagnosis system based on deformable convolutional neural network with good antinoise ability,” IEEE Transactions on Instrumentation and Measurement, vol. 70, pp. 1-13, 2021.

[6] R. Wang, J. Fan, and Y. Li, “Deep multi-scale fusion neural network for multi-class arrhythmia detection,” IEEE Journal of Biomedical and Health Informatics, vol. 24, pp. 2461-2472, 2020.

[7] J. K. Kim, S. Jung, J. Park, and S. W. Han, “Arrhythmia detection model using modified DenseNet for comprehensible Grad-CAM visualization,” Biomedical Signal Processing and Control, vol. 173, 2022, Art. no. 103408.

[8] T. H. Bui, M. T. Pham, et al., “Automatic varied-length ECG classification using a lightweight DenseNet model,” Biomedical Signal Processing and Control, vol. 82, 2023, Art. no. 104529.

[9] K. Feng and Z. Fan, “A novel bidirectional LSTM network based on scale factor for atrial fibrillation signals classification,” Biomedical Signal Processing and Control, vol. 76, 2022, Art. no. 103663.

[10] G. Petmezas, K. Haris, Stefanopoulos, et al., “Automated atrial fibrillation detection using a hybrid CNN-LSTM network on imbalanced ECG datasets,” Biomedical Signal Processing and Control, vol. 63, 2021, Art. no. 102194.

[11] K. Weimann and T. O. Conrad, “Transfer learning for ECG classification,” Scientific Reports, vol. 11, pp. 1-12, 2021.

[12] N. Strodthoff, P. Wagner, T. Schaeffter, and W. Samek, “Deep learning for ECG analysis: Benchmarks and insights from PTB-XL,” IEEE Journal of Biomedical and Health Informatics, vol. 25, pp. 1519-1528, 2020.

[13] S. Tan, G. Androz, A. Chamseddine, P. Fecteau, A. Courville, Y. Bengio, and J. P. Cohen, “Icentia11k: An unsupervised representation learning dataset for arrhythmia subtype discovery,” arXiv preprint arXiv:1910.09570, 2019.

[14] T. Chen, R. Xu, Y. He, and X. Wang, “Improving sentiment analysis via sentence type classification using BiLSTM-CRF and CNN,” Expert Systems with Applications, vol. 72, pp. 221-230, 2017.

[15] F. Liu, C. Liu, et al., “An open access database for evaluating the algorithms of electrocardiogram rhythm and morphology abnormality detection,” Journal of Medical Imaging and Health Informatics, vol. 8, pp. 1368-1373, 2018.

[16] S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural Computation, vol. 9, pp. 1735-1780, 1997.

[17] L. N. Smith, “Cyclical learning rates for training neural networks,” in 2017 IEEE winter conference on applications of computer vision (WACV), 2017, pp. 464-472.

[18] J. Li, S. P. Pang, F. Xu, P. Ji, S. Zhou, and M. Shu, “Two-dimensional ECG-based cardiac arrhythmia classification using DSE-ResNet,” Scientific Reports, vol. 2022, 12, Art. no. 14485.

[19] J. Zhang, D. Liang, A. Liu, M. Gao, X. Chen, X. Zhang, and X. Chen, “MLBF-Net: a multi-lead-branch fusion network for multi-class arrhythmia classification using 12-Lead ECG,” IEEE Journal of Translational Engineering in Health and Medicine, vol. 9, pp. 1-11, 2021.

[20] D. Zhang, S. Yang, X. Yuan, and P. Zhang, “Interpretable deep learning for automatic diagnosis of 12-lead electrocardiogram,” Iscience, vol. 24, 2021, Art. no. 102373.

[21] H. Zhang, C. Liu, Z. Zhang, et al., “Recurrence Plot-Based Approach for Cardiac Arrhythmia Classification Using Inception-ResNet-v2,” Frontiers in Physiology, vol. 12, pp. 648950, 2021.

[22] D. U. Jeong and K. M. Lim, “Convolutional neural network for classification of eight types of arrhythmia using 2D time--frequency feature map from standard 12-lead electrocardiogram,” Scientific Reports, vol. 11, 2021, Art. no. 20396.

[23] Z. Li and H. Zhang, “Automatic Detection for Multi-Labeled Cardiac Arrhythmia Based on Frame Blocking Preprocessing and Residual Networks,” Frontiers in Cardiovascular Medicine, vol. 8, 2021, Art. no. 616585.

DOI: https://doi.org/10.34238/tnu-jst.12831

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ