(48-1) 17 * << * >> * Русский * English * Содержание * Все выпуски

Распознавание опасных аритмий по скалограммам ЭКГ
А.П. Немирко 1, A.С. Ба Махел 1, Л.А. Манило 1

1 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»,
197022, Россия, г. Санкт-Петербург, ул. Профессора Попова, д. 5, литера Ф

 PDF, 1589 kB

DOI: 10.18287/2412-6179-CO-1354

Страницы: 149-156.

Аннотация:
Данная работа посвящена автоматической классификации шести классов опасных аритмий по коротким фрагментам ЭКГ длительностью 2 с. Эта задача чрезвычайно важна для обнаружения опасных для жизни аритмий при непрерывном мониторном контроле. Особенно опасны фибрилляция желудочков и высокочастотная желудочковая тахикардия. Своевременное выявление этих опасных нарушений в клинике позволяет врачам эффективно применять электрическую дефибрилляцию, что спасает жизнь больного. Особенностью нашего подхода является использование уникальной техники преобразования сигналов ЭКГ в изображения (скалограммы) с использованием непрерывного вейвлет-преобразования. Для классификации аритмии использована нейронная сеть AlexNet с хорошо известной архитектурой глубокого обучения, которая обычно используется в задачах классификации изображений. В экспериментах использованы данные из базы данных PhysioNet, а также синтезированные данные ЭКГ, полученные с использованием метода SMOTE. Полученные результаты экспериментальных исследований показывают, что предлагаемый подход позволяет достичь средней точности в 98,7% для всех классов, что превышает ранее полученные другими исследователями оценки максимальной точности в 93,18%.

Ключевые слова:
распознавание аритмий, глубокие нейронные сети, синтез данных, скалограммы.

Благодарности
Исследование выполнено за счет гранта Российского научного фонда № 23-21-00215, https://rscf.ru/project/23-21-00215/.

Цитирование:
Немирко, А.П. Распознавание опасных аритмий по скалограммам ЭКГ/ А.П. Немирко, А.С. Ба Махел, Л.А. Манило // Компьютерная оптика. – 2024. – Т. 48, № 1. – С. 149-156. – DOI: 10.18287/2412-6179-CO-1354.

Citation:
Nemirko AP, Ba Mahel AS, Manilo LA. Recognition of life-threatening arrhythmias by ECG scalograms. Computer Optics 2024; 48(1): 149-156. DOI: 10.18287/2412-6179-CO-1354.

References:
  1. Nemirko A, Manilo L, Tatarinova A, Alekseev B, Evdakova E. ECG Fragment Database for the Exploration of Dangerous Arrhythmia (version 1.0.0). PhysioNet 2022. Source: <https://physionet.org/content/ecg-fragment-high-risk-label/1.0.0/1_Dangerous_VFL_VF/>. DOI: 10.13026/kpfg-xs25.
  2. Pandit D, Li Z, Chengyu L, Chattopadhyay S, Aslam N, Peng LC. A lightweight QRS detector for single lead ECG signals using a max-min difference algorithm. Comput Methods Programs Biomed 2017; 144: 61-75. DOI: 10.1016/j.cmpb.2017.02.028.
  3. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, Tan RS. Deep convolutional neural network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell 2019; 49(1): 16-27. DOI: 10.1007/s10489-018-1179-1.
  4. Haberl R, Jilge G, Pulter R, Steinbeck G. Spectral mapping of the electrocardiogram with Fourier transform for identification of patients with sustained ventricular tachycardia and coronary artery disease. Eur Heart J 1989; 10(4): 316-322.
  5. Tuncer T, Dogan S, Pławiak P, Acharya UR. Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet transform with ECG signals. Knowledge-Based Systems 2019; 186: 104923. DOI: 10.1016/j.knosys.2019.104923.
  6. Madeiro JPV, Santos EMB, Cortez PC, Felix JHS, Schlindwein FS. Evaluating Gaussian and Rayleigh-based mathematical models for T and P-waves in ECG. IEEE Lat Am Trans 2017; 15(5): 843-853. DOI: 10.1109/TLA.2017.7910197.
  7. Kennedy A, Finlay DD, Guldenring D, Bond RR, Moran K, McLaughlin J. Automated detection of atrial fibrillation using RR intervals and multivariate-based classification. J Electrocardiol 2016; 49(6): 871-876. DOI: 10.1016/j.jelectrocard.2016.07.033.
  8. Nemirko AP, Popadina AO. Recognition of life-threatening arrhythmias by the spectral characteristics of a short electrocardiogram recording [In Russian]. Biotechnosfera 2022; 67(1): 3-8. DOI: 10.25960/bts.2022.1.3.
  9. Olanrewaju R, Ibrahim S, Asnawi AL, Altaf H. Classification of ECG signals for detection of arrhythmia and congestive heart failure based on continuous wavelet transform and deep neural networks. Indones J Electr Eng Comput Sci 2021; 22: 1520. SOI: 10.11591/ijeecs.v22.i3.pp1520-1528.
  10. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, Tan RS. Deep convolutional neural network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell 2019; 49(1): 16-27. DOI: 10.1007/s10489-018-1179-1.
  11. Byeon YH, Pan SB, Kwak KC. Intelligent deep models based on scalograms of electrocardiogram signals for biometrics. Sensors 2019; 19: 935. DOI: 10.3390/s19040935.
  12. Acharya UR, Fujita H, Oh SL, Raghavendra U, Tan JH, Adam M, Gertych A, Hagiwara Y. Automated identification of shockable and non-shockable life-threatening ventricular arrhythmias using convolutional neural network. Future Generation Computer Systems 2018; 79(3): 952-959. DOI: 10.1016/j.future.2017.08.039.
  13. Gupta V, Mittal M. QRS complex detection using STFT, chaos analysis, and PCA in standard and real-time ECG databases. Journal of the Institution of Engineers (India): Series B 2019; 100(5): 489-497. DOI: 10.1007/s40031-019-00398-9.
  14. Wang T, Lu C, Sun Y, Yang M, Liu C, Ou C. Automatic ECG classification using continuous wavelet transform and convolutional neural network. Entropy (Basel) 2021; 23(1): 119. DOI: 10.3390/e23010119.
  15. Ba Mahel AS, Harold N, Solieman H. Arrhythmia classification using Alexnet model based on orthogonal leads and different time segments. 2022 Conf of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus) 2022: 1312-1315. DOI: 10.1109/ElConRus54750.2022.9755708.
  16. Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. smote: synthetic minority over-sampling technique. J Artif Intell Res 2002; 16: 321-357.
  17. Ozaltin O, Yeniay O. A novel proposed CNN–SVM architecture for ECG scalograms classification. Soft Comput 2023; 27: 4639-4658. DOI: 10.1007/s00500-022-07729-x.
  18. Li C, Zheng C, Tai C. Detection of ECG characteristic points using wavelet transforms. IEEE Trans Biomed Eng 1995; 42(1): 21-28.
  19. Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Commun ACM 2012; 60(6): 84-90. DOI: 10.1145/3065386.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20