TỰ ĐỘNG PHÂN LOẠI TÍN HIỆU ECG SỬ DỤNG MÔ HÌNH HỌC SÂU

Hoàng Văn Mạnh; Đỗ Nam; Phạm Mạnh Thắng

doi:10.34238/tnu-jst.8628

TỰ ĐỘNG PHÂN LOẠI TÍN HIỆU ECG SỬ DỤNG MÔ HÌNH HỌC SÂU

Thông tin bài báo

Ngày nhận bài: 24/08/23 Ngày hoàn thiện: 17/10/23 Ngày đăng: 17/10/23

Các tác giả

1. Hoàng Văn Mạnh , Trường Đại học Công nghệ - ĐH Quốc gia Hà Nội
2. Đỗ Nam, Trường Đại học Công nghệ - ĐH Quốc gia Hà Nội
3. Phạm Mạnh Thắng, Trường Đại học Công nghệ - ĐH Quốc gia Hà Nội

Tóm tắt

Phát hiện sớm các chứng bệnh liên quan tới tim mạch thông qua tín hiệu ECG đã và đang đóng một vai trò quan trọng trong quá trình điều trị cho người bệnh. Việc ứng dụng trí tuệ nhân tạo vào phát triển một phương pháp tự động phân loại tín hiệu ECG có độ chính xác và tin cậy cao giúp giảm thiểu thời gian chẩn đoán là yêu cầu tất yếu. Nghiên cứu này đề xuất một mô hình học sâu kết hợp giữa mạng tích chập dày đặc (DenseNet) với mạng bộ nhớ dài-ngắn song song (BiLSTM) có số lượng tham số nhỏ vào phân loại tín hiệu ECG. Mô hình đề xuất được kiểm thử trên cơ sở dữ liệu mở bao gồm 827 bản ghi ECG. Mặc dù nghiên cứu chỉ sử dụng số lượng nhỏ dữ liệu cho quá trình huấn luyện nhưng mô hình đề xuất vẫn cho kết quả tốt cùng điểm số F1 tương ứng với các loại bệnh block nhánh phải, block nhánh trái và hội chứng nhịp chậm xoang lần lượt là 0,831; 0,846 và 0,882. Kết quả đạt được có thể làm cơ sở có các nghiên cứu tiếp theo ứng dụng trên các thiết bị có nguồn tài nguyên hạn chế.

Từ khóa

Điện tâm đồ; DenseNet; BiLSTM; Học sâu; Trí tuệ nhân tạo

Toàn văn:

PDF

Tài liệu tham khảo

[1] D. S. Tawfik, J. Profit, T. I. Morgenthaler, et al., "Physician burnout, well-being, and work unit safety grades in relationship to reported medical errors," Mayo Clinic Proceedings, vol. 93, no. 11, pp. 1571–1580, 2018, doi: 10.1016/j.mayocp.2018.05.014.

[2] C. P. West, M. M. Huschka, P. J. Novotny, et al., "Association of perceived medical errors with resident distress and empathy: a prospective longitudinal study," Jama, vol. 296, no. 9, pp. 1071–1078, 2006, doi: 10.1001/jama.296.9.1071.

[3] G. D. Clifford, C. Liu, B. Moody, et al., "AF classification from a short single lead ECG recording: The PhysioNet/computing in cardiology challenge 2017," in Proc. Computing in Cardiology (CinC), Rennes, France, 2017, pp. 1–4, doi: 10.22489/CinC.2017.065-469.

[4] T. Teijeiro, C. A. García, D. Castro, et al., "Arrhythmia classification from the abductive interpretation of short single-lead ECG records," in Proc. Computing in Cardiology (CinC), Rennes, France, 2017, pp. 1–4, doi: 10.22489/CinC.2017.166-054.

[5] M. Zabihi, A. B. Rad, A. K. Katsaggelos, et al., "Detection of atrial fibrillation in ECG hand-held devices using a random forest classifier," in Proc. Computing in Cardiology (CinC), Rennes, France, 2017, pp. 1–4, doi: 10.22489/CinC.2017.069-336.

[6] S. Datta, C. Puri, A. Mukherjee, et al., "Identifying normal, AF and other abnormal ECG rhythms using a cascaded binary classifier," in Proc. Computing in Cardiology (CinC), Rennes, France, 2017, pp. 1–4, doi: 10.22489/CinC.2017.173-154.

[7] S. Hong, M. Wu, Y. Zhou, et al., "ENCASE: An ENsemble ClASsifiEr for ECG classification using expert features and deep neural networks," in Proc. Computing in Cardiology (CinC), Rennes, France, 2017, pp. 1–4, doi: 10.22489/CinC.2017.178-245.

[8] F. Liu, C. Liu, L. Zhao, 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, no. 7, pp. 1368–1373, 2018, doi:10.1166/jmihi.2018.2442.

[9] T. M. Chen, C. H. Huang, E. S. Shih, et al., "Detection and classification of cardiac arrhythmias by a challenge-best deep learning neural network model," Iscience, vol. 23, no. 3, pp. 1–7, 2020, doi: 10.1016/j.isci.2020.100886.

[10] G. K. Andrikopoulos, P. E. Dilaveris, D. J. Richter, et al., "Increased variance of P wave duration on the electrocardiogram distinguishes patients with idiopathic paroxysmal atrial fibrillation," Pacing and Clinical Electrophysiology, vol. 23, no. 7, pp. 1127–1132, 2000, doi: 10.1111/j.1540-8159.2000.tb00913.x.

[11] K. Aytemir, N. ÖZER, E. Atalar, et al., "P wave dispersion on 12‐lead electrocardiography in patients with paroxysmal atrial fibrillation," Pacing and Clinical Electrophysiology, vol. 23, no. 7, pp. 1109–1112, 2000, doi: 10.1111/j.1540-8159.2000.tb00910.x.

[12] S. Ladavich and B. Ghoraani, "Rate-independent detection of atrial fibrillation by statistical modeling of atrial activity," Biomedical Signal Processing and Control, vol. 18, pp. 274–281, 2015, doi: 10.1016/j.bspc.2015.01.007.

[13] J. Lian, L. Wang, and D. Muessig, "A simple method to detect atrial fibrillation using RR intervals," The American journal of cardiology, vol. 107, no. 10, pp. 1494–1497, 2011, doi: 10.1016/j.amjcard.2011.01.028.

[14] C. Huang, S. Ye, H. Chen, et al., "A novel method for detection of the transition between atrial fibrillation and sinus rhythm," IEEE Transactions on Biomedical Engineering, vol. 58, no. 4, pp. 1113–1119, 2010, doi: 10.1109/TBME.2010.2096506.

[15] R. Couceiro, P. Carvalho, J. Henriques, et al., "Detection of atrial fibrillation using model-based ECG analysis," in Proc. IEEE 19th Int. Conf. on pattern recognition, pp. 1–5, 2008, doi: 10.1109/ICPR.2008.4761755.

[16] S. Babaeizadeh, R. E. Gregg, E. D. Helfenbein, et al., "Improvements in atrial fibrillation detection for real-time monitoring," Journal of electrocardiology, vol. 42, no. 6, pp. 522–526, 2009, doi: 10.1016/j.jelectrocard.2009.06.006.

[17] S. Asgari, A. Mehrnia, and M. Moussavi, "Automatic detection of atrial fibrillation using stationary wavelet transform and support vector machine," Computers in biology and medicine, vol. 60, pp. 132–142, 2015, doi: 10.1016/j.compbiomed.2015.03.005.

[18] X. Xu, S. Wei, C. Ma, et al., "Atrial fibrillation beat identification using the combination of modified frequency slice wavelet transform and convolutional neural networks," Journal of Healthcare Engineering, pp. 1–8, 2018, doi: 10.1155/2018/2102918.

[19] Y. Xia, N. Wulan, K. Wang, et al., "Detecting atrial fibrillation by deep convolutional neural networks," Computers in Biology and Medicine, vol. 93, pp. 84-92, 2018, doi: 10.1016/j.compbiomed.2017.12.007.

[20] R. Salloum and C. C. J. Kuo, "ECG-based biometrics using recurrent neural networks," in Proc. IEEE Inter. Conf. Acoustics, Speech and Signal Processing (ICASSP), New Orleans, LA, USA, 2017, pp. 2062-2066, doi: 10.1109/ICASSP.2017.7952519.

[21] M. Kachuee, S. Fazeli, and M. Sarrafzadeh, "ECG Heartbeat Classification: A Deep Transferable Representation," in Proc. IEEE Inter. Conf. healthcare informatics (ICHI), New York, NY, USA, 2018, pp. 443-444, doi: 10.1109/ICHI.2018.00092.

[22] K. Weimann and T. O. Conrad, "Transfer learning for ECG classification," Scientific reports, vol. 11, no. 1, 2021, doi: 10.1038/s41598-021-84374-8.

[23] N. Strodthoff, P. Wagner, T. Schaeffter, et al., "Deep learning for ECG analysis: Benchmarks and insights from PTB-XL," IEEE Journal of Biomedical and Health Informatics, vol. 25, no. 5, pp. 1519-1528, 2020, doi: 10.1109/JBHI.2020.3022989.

[24] A. Mostayed, J. Luo, X. Shu, et al., "Classification of 12-Lead ECG Signals with Bi-Directional LSTM Network,” 2018. Online. Available: http://arxiv.org/abs/1811.02090. [Accessed July 15, 2023].

[25] J.R.G. de Santana, M.G.F. Costa, and C.F.F.C. Filho, "A New Approach to Classify Cardiac Arrythmias Using 2D Convolutional Neural Networks," in Proc. IEEE 43^rd Annu. Int. Conf. IEEE Eng. Med. Biol. (EMBC), 2021, pp. 566-570, doi: 10.1109/EMBC46164.2021.9630938.

[26] M. B. Alkmim, R. M. Figueira, M. S. Marcolino, et al., "Improving patient access to specialized health care: the Telehealth Network of Minas Gerais, Brazil," Bulletin of the World Health Organization, vol. 90, pp. 373-378, 2012, doi: 10.2471/BLT.11.099408.

[27] G.Huang, Z. Liu, L. V. D. Maaten, et al., "Densely connected convolutional networks," in Proc. IEEE Conf. computer vision and pattern recognition (CVPR), Honolulu, HI, USA, 2017, pp. 2261-2269, doi: 10.1109/CVPR.2017.243.

[28] Z. Yu, V. Ramanarayanan, D. Suendermann-Oeft, et al., "Using bidirectional LSTM recurrent neural networks to learn high-level abstractions of sequential features for automated scoring of non-native spontaneous speech, " in 2015 IEEE Workshop on Automatic Speech Recognition and Understanding (ASRU), Scottsdale, AZ, USA, 2015, pp. 338-345, doi: 10.1109/ASRU.2015.7404814.

[29] Z. C. Lipton, J. Berkowitz, and C. Elkan, "A critical review of recurrent neural networks for sequence learning," arXiv preprint arXiv:1506.00019, doi: 10.48550/arXiv.1506.00019.

DOI: https://doi.org/10.34238/tnu-jst.8628

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ