CC BY
0
Предварительная обработка сигналов для мультимодальной классификации 12-канальных сигналов электрокардиограмм
М.Р. Киладзе Северо-Кавказский Федеральный университет
Аннотация: Автоматическая классификация сигналов электрокардиограмм позволит оказать своевременную медицинскую помощь пациентам при оказании первой медицинской помощи. Нейросетевые модели классификации сигналов электрокардиограмм, включающие в себя этап предварительной обработки сигналов, позволяют повысить точность отнесения электрокардиограмм к той или иной категории аритмий. В работе представлен вычислительный метод предварительной обработки сигналов электрокардиограмм, включающий в себя шумоподавление с использованием дискретного вейвлет-преобразования и выделение морфологических признаков методами частотного анализа. Результаты моделирования классификации 12-канальных сигналов электрокардиограмм с использованием этапа их предварительной обработки показали увеличение точности классификации на 23,2% по сравнению с классификацией без предварительной обработки сигнала.
Ключевые слова: классификация сигналов электрокардиограммы, нейронная сеть с долгосрочной короткой памятью, метаданные, предварительная обработка сигналов, вейвлет-преобразование, спектральный анализ, PhysioNet Computing in Cardiology Challenge 2021.
Введение
Согласно статистике, опубликованной на сайте Росстата Ставропольского края [1], в 2022 году скончалось 33 557 человек: из них 14 501 от заболеваний сердечно-сосудистой системы, что относится к 43% от общего числа скончавшихся. Для диагностики сердечно-сосудистых заболеваний в медицине используются электрокардиограммы, регистрирующие изменения в работе сердца [2].
Наиболее распространенными видами аритмий являются: синусовая брадикардия, мерцательная аритмия, синусовый ритм, синусовая тахикардия и трепетание предсердий. Синусовая брадикардия возникает в результате уменьшения частоты сердечных сокращений до менее чем 60 ударов в минуту. Незначительные изменения частоты сердечных сокращений служат сигналом о начале патологического процесса в организме и требуют полной диспансеризации. Значительное выражение синусного ритма чревато
обморочными состояниями и внезапной остановкой сердца [3]. Мерцательная аритмия - одна из наиболее распространенных аритмий, признаком наличия этой аритмии на сигналах электрокардиограммы является отсутствие зубцов Р [4]. Сохранение правильного синусового ритма при учащении частоты сердечных сокращений от 90 до 160 в минуту является признаком синусовой тахикардии. Синусовый ритм - это любой сердечный ритм, при котором деполяризация сердечной мышцы начинается в синусовом узле [5]. Это необходимо, но недостаточно, для нормальной электрической активности в сердце. На электрокардиограмме (ЭКГ) синусовый ритм характеризуется наличием зубцов Р, которые являются нормальными по морфологии [6]. Трепетание предсердий - распространенное нарушение сердечного ритма, которое начинается в камерах предсердий сердца [7]. Когда оно возникает впервые, оно обычно связано с учащенным сердцебиением и классифицируется как тип наджелудочковой тахикардии [8]. На рисунке 1 представлены описанные аритмии.
Синусовая брадикардия
0 100 200 300 400 500 600 700 800 900 1000
Рис. 1. -Некоторые виды аритмий, регистрируемых электрокардиографом. Этапы нейросетевой обработки сигналов ЭКГ включают в себя: техническую предварительную обработку данных (уравнивание по длине
сигналов, их количеству, частоты дискретизации и т.д.), морфологическую предварительную обработку данных (удаление шумов, выделение морфологических признаков), подготовку к обучению (представление сигналов в виде изображений, устранение дисбаланса данных и так далее) и обработку нейронной сетью. Все эти этапы не являются обязательными. Каждый из этапов можно пропустить. Например, авторы работ [9-11] используют этап морфологической предварительной обработки сигналов ЭКГ, авторы работы [12] представляют изображения в виде трёхмерных изображений, а авторы [13], [14] перед нейросетевой классификацией проводят только техническую предварительную обработку сигналов ЭКГ.
В этой работе мы предлагаем нейронную сеть с предварительной морфологической обработкой сигналов ЭКГ для классификации аритмий сердечного ритма. Использованная нейронная сеть описана в работе [15]. Здесь подробно описан метод предварительной обработки для 12-канальной ЭКГ, содержащий в себе шумоподавление и выделение морфологических признаков.
Математическая модель
В статье представлен метод предварительной обработки сигналов двенадцати канальных ЭКГ с целью классификации рекуррентной нейронной сетью LSTM. На рис. 2 представлена архитектура предложенного метода. Предварительная обработка сигналов включает в себя шумоподавление вейвлет-преобразованием и отбор таких морфологических признаков, как выделение волны Р на потоке сигналов ЭКГ, частотной фильтрацией. Отсутствие либо наличие волны Р является показателем для определения мерцательной аритмии. В работе [16] мы уже использовали данные способы предварительной обработки для одноканальных сигналов ЭКГ. Данный метод показал повышение точности классификации сигналов по сравнению с классификацией без предварительной обработки данных.
Рис. 2. - Архитектура предложенного метода. Вейвлет-преобразование - распространенный способ очистки сигнала от шума [17]. Процесс очистки сигналов ЭКГ представлен на рисунке 3.
Зашумленный сигнал электрокардиограммы Этап I Дискретное вейвлет-преобразование Этап II Очищающая функция Этап Ш Обратное дискретное вейвлет-преобразование Очищенный сигнал электр окардиогра ммы
-)
Рис. 3. - Этапы очистки сигналов электрокардиограмм от шума
Первый этап очистки сигналов ЭКГ от шума происходит с использованием ДВП. Для дискретного разложения необходимо вычислить вейвлет-коэффициенты прямого преобразования:
n
Cmk = J S (t \ (t )dt,
0
где n - число отчетов сигнала ЭКГ, S(t) - сигнал ЭКГ, \тк - материнский вейвлет, m, k е Z.
Для получения ДВП-разложения обычно используют низкочастотный анализирующий фильтр (low-pass) с импульсным откликом д и
высокочастотный анализирующий фильтр (high-pass) с импульсным откликом h. В результате применения фильтрации получаются
аппроксимирующие и детализирующие коэффициенты [18]:
n
yow (t) = ^П/ Cmk (k)g(2t - k) ,
k=0
n
yhgh (t) = 2^ (k)h(2t - k) .
k=0
Следующим пунктом очистки сигналов ЭКГ является выбор пороговой функции и порогового предела. Пороговый предел - значение, определяющее наличие шума на сигнале. Если значение вейвлет-коэффициента в данный момент отчета больше значения порога, то оно считается значением сигнала, если меньше, то шумом.
В предложенном нами методе мы использовали минимаксный порог:
Вейвлет-коэффициенты преобразуются пороговым пределом с помощью пороговых функций. Чаще всего применяются функции жесткого и мягкого определения порога [18]. Нами была использована функция мягкого определения порога:
где * - значение вейвлет-коэффициента.
Заключающим пунктом в отчистке сигнала от шума является обратное ДВП [18]:
где 5 (г) - очищенный сигнал ЭКГ, дк и Ктк - аппроксимирующие и детализирующие коэффициенты после обработки пороговой функцией.
Для расчета спектральной энтропии и мгновенной частоты ¿г-о го
отсчета электрокардиограммы применяются следующие выражения:
N
V1=-X Рг logn , (1)
2=1
± dl(t)
2л dt
Результатом вычисления V и V2 является массив признаков, описывающих морфологические особенности работы сердца. В выражении (1) Р - вероятность появления того же числового значения при регистрации сигналов ЭКГ. Частота появления одного и того же значения указывает на частоту появления той или иной волны на потоке кардиограмм. Объединение полученных массив-признаков позволяет получить матрицу признаков расположения морфологических кардиологических волн. Эти матрицы являются входными данными для последующей нейросетевой классификации.
Нейросетевая классификация происходит с использованием рекуррентной нейронной сети LSTM, позволяющей учитывать изменения, возникающие на временном кардиологическом ряду. Подробно архитектура используемой нейронной сети описана в работе [15]. Результаты моделирования классификации с использованием предложенного
и
вычислительного метода для предварительной обработки сигналов представлены в следующем пункте.
Результаты моделирования
Моделирование предложенного нами метода было проведено в среде MatLab 2020b, на выборке из открытой базы кардиологических данных PhysioNet Computing in Cardiology Challenge 2021 [19]. Из базы данных были использованы данные от трех тысяч пациентов, имеющих в анамнезе определенные типы аритмий, а именно: синусовую брадикардию (SB) и тахикардию (ST), синусовый ритм (SR), мерцательную аритмию (AFib) и трепетание предсердий (AF).
Для оценки точности классификации сигналов электрокардиограмм проведено моделирование классификации сигналов рекуррентной нейронной сетью LSTM без этапа предварительной обработки, с этапом предварительной обработки сигналов, включающим в себя шумоподавление, и с этапом предварительной обработки, включающим в себя шумоподавление и выделение морфологических признаков.
Расчет метрик, представленных в таблице 1, произведен по следующим формулам:
TP + TN
Acc =- -, (2)
TP + FP+FN+TN
TN
Spe = —TN—, (3)
TN + FN
TP
Sen = —TP—, (4)
TP + FP
2TP
F1 =-—-. (5)
2TP + FP + FN
Таблица 1. - Результаты моделирования классификации 12-канальных сигналов электрокардиограмм.
Нейросетевой классификатор Предварительная обработка сигналов Acc, % Spe, % Sen,% Мера F1
LSTM нет 55,50 88,03 53,33 53,33
LSTM шумоподавление 78,38 73,54 55,15 66,71
LSTM шумоподавление и выделение морфологических признаков 82,71 66,71 42,36 87,10
В выражениях (2) - (5) ТР - истинно положительный результат классификации, ТЫ - истинно отрицательный результат классификации, ЕР и ГЫ - ложноположительный и ложноотрицательный результаты классификации. Выражение (2) описывает точность классификации сигналов электрокардиограмм, (3) - чувствительность нейросетовой системы, указывающей на способность модели правильно выявлять больных пациентов среди тех, кто действительно имеет такой вид аритмии, (4) -специфичность нейросетовой системы указывает на способность модели правильно определять её непринадлежность к указанному виду аритмии, (5) -единый показатель выполнения теста для положительного класса.
Анализируя данные, представленные в таблице 1, мы видим, что использование этапа предварительной обработки сигналов повышает точность классификации 12-канальных электрокардиограмм. Проведение только предварительного шумоподавление повышает точность классификации на 17,88%, а шумоподавления и выделения морфологических признаков - на 23,21%.
Предложенный метод может быть использован в качестве предварительной обработки 12-канальных сигналов электрокардиограмм для повышения точности классификации нейросетевых архитектур.
Заключение
В работе показано, что использование этапа предварительной обработки 12-канальных сигналов позволяет повысить точность классификации кардиологических данных. Модификация предложенной математической модели может позволить повысить точность классификации 12-канальных сигналов электрокардиограмм, путем характеристики статистических данных и их учета при классификации сигналов электрокардиограмм.
Литература
1. Росстат. Ставропольский край. Официальный сайт. URL: 26.rosstat.gov.ru/folder/28386 (дата обращения: 31.01.2024).
2. Киладзе М.Р., Ляхов П.А., Нагорнов Н.Н. Использование детализирующего вектора для нейросетевой классификации сигналов. // Инженерный вестник Дона. 2023. №11 URL: ivdon.ru/ru/magazine/archive/n11y2023/8797.
3. Sunjeet S., Joseph E. M. Evaluating and managing bradycardia // Trends in Cardiovascular Medicine. 2020. V. 30 (5). Pp. 265-272.
4. Струтынский А. В. Электрокардиограмма. Анализ и интерпретация. М.: МЕДпресс-информ, 2009. 224 с.
5. Hampton John R. The ECG Made Easy, International Edition (8th Edition.). Elsevier, 2013. 208 p. ISBN 9780702046421.
6. Gertsch M. The ECG. A Two-Step Approach to Diagnosis. SpringerVerlag Berlin, Heidelberg, 2004. 616 p.
7. Sawhney N.S., Anousheh R., Chen W.C. Diagnosis and management of typical atrial flutter // Cardiology Clinics. 2009. №27(1). Pp. 55-67.
8. Link M.S. Clinical practice. Evaluation and initial treatment of supraventricular tachycardia // New England Journal of Medicine. 2012. №367 (15). Pp. 1438-1448.
9. Qi M., Shao H., Shi N., Wang G., Lv Y. Arrhythmia classification detection based on multiple electrocardiograms databases // PLoS ONE. 2023. V. 18 №9, p. e0290995.
10. Jiménez-Serrano S., Rodrigo M., Calvo C.J., Millet J., Castalls F. From 12 to 1 ECG lead: multiple cardiac condition detection mixing a hybrid machine learning approach with a one-versus-rest classification strategy // Physiol. Meas. 2022. V. 43. P. 064003.
11. Zahid M.U., Kiranyaz S., Ince T., Devecioglu O.C., Chowdhury M.E.H., Khandakar A., Tahir A., Gabbouj M. Robust R-Peak Detection in Low-Quality Holter ECGs Using 1D Convolutional Neural Network // IEEE Trans Biomed Eng. 2021. V. 69, №. 1. Pp. 119-128.
12. Safdar M.F., Nowak R.M., Palka P.A. Denoising and Fourier Transformation-Based Spectrograms in ECG Classification Using Convolutional Neural Network // Sensors. 2022. V. 22 №9576.
13. Zhaowei Zh. et al. Identification of 27 abnormalities from multi-lead ECG signals: an ensembled SE_ResNet framework with Sign Loss function // Physiol. Meas. 2021. V. 42. P. 065008.
14. Prabhakararao E. and Dandapat S., Multi-Scale Convolutional Neural Network Ensemble for Multi-Class Arrhythmia Classification // IEEE Journal of Biomedical and Health Informatics. 2022. V. 26 №8. Pp. 3802-3812.
15. Kiladze M.R., Lyakhova U.A., Lyakhov P.A., Nagornov N.N., Vahabi M. Multimodal Neural Network for Recognition of Cardiac Arrhythmias Based on 12-Load Electrocardiogram Signals // IEEE Access. 2023. V. 11. Pp. 133744133754.
16. Lyakhov P., Kiladze M., Lyakhova U. System for Neural Network Determination of Atrial Fibrillation on ECG Signals with Wavelet-Based Preprocessing // Applied Sciences (Switzerland). 2021. T. 11, №16. P. 7213.
17. Bnou K., Raghay S., and Hakim A. A wavelet denoising approach based on unsupervised learning model. EURASIP Journal on Advances in Signal Processing volume 2020, Article number: 36 (2020). DOI: 10.1186/s13634-020-00693-4.
18. Иванов В.Э. Модулярные вейвлет-фильтры: модели, алгоритмы и средства. Министерство науки и высшего образования Российской Федерации, Тихоокеанский государственный университет. - Хабаровск: Издательство ТОГУ, 2020. 175 с.
19. Alday E.A.P., Gu A., Shah A.J., Robichaux C., Wong A.K.I., Liu C., Liu F., Rad A.B., Elola A., Seyedi S. Classification of 12-lead ECGs: The PhysioNet/Computing in Cardiology Challenge 2020 (version 1.0.2). PhysioNet. URL: doi.org/10.13026/dvyd-kd57 (дата обращения: 31.01.2024).
References
1. Rosstat. Stavropolsky kray. Oficial'nyi sait. [Rosstat. Stavropol Territory. Official site]. URL: 26.rosstat.gov.ru/folder/28386. (assessed: 31.01.2024).
2. Kiladze M.R., Lyakhov P.A., Nagornov N.N. Inzhenernyj vestnik Dona. 2023. №11 URL: ivdon.ru/ru/magazine/archive/n11y2023/8797.
3. Sunjeet S., Joseph E. M. Trends in Cardiovascular Medicine. 2020. V. 30 (5). Pp. 265-272.
4. Strutinsky A.V. Electrokardiogramma. Analiz I interpritaciya. [Electrocardiogram. Analysis and interpretation]. М.: MEDpress-inform, 2009. 224 p.
5. Hampton John R. The ECG Made Easy, International Edition (8th Edition.). Elsevier, 2013. 208 p. ISBN 9780702046421.
6. Gertsch M. The ECG. A Two-Step Approach to Diagnosis. SpringerVerlag Berlin, Heidelberg, 2004. 616 p.
7. Sawhney N.S., Anousheh R., Chen W.C. Cardiology Clinics. 2009. №27 (1). Pp. 55-67.
8. Link M.S. New England Journal of Medicine. 2012. №367 (15). Pp. 1438-1448.
9. Qi M., Shao H., Shi N., Wang G., Lv Y. PLoS ONE. 2023. V. 18 №9, p. e0290995.
10. Jiménez-Serrano S., Rodrigo M., Calvo C.J., Millet J., Castalls F. Physiol. Meas. 2022. V. 43. P. 064003.
11. Zahid M.U., Kiranyaz S., Ince T., Devecioglu O.C., Chowdhury M.E.H., Khandakar A., Tahir A., Gabbouj M. IEEE Trans Biomed Eng. 2022. V. 69, №. 1. Pp. 119-128.
12. Safdar M.F., Nowak R.M., Palka P.A. Sensors. 2022. V. 22 №9576.
13. Zhaowei Zh. et al. Physiol. Meas. 2021. V. 42. P. 065008.
14. Prabhakararao E. and Dandapat S., IEEE Journal of Biomedical and Health Informatics. 2022. V. 26 №8. Pp. 3802-3812.
15. Kiladze M.R., Lyakhova U.A., Lyakhov P.A., Nagornov N.N., Vahabi M. IEEE Access. 2023. V. 11. Pp. 133744-133754.
16. Lyakhov P., Kiladze M., Lyakhova U. Applied Sciences (Switzerland). 2021. T. 11, №16. P. 7213.
17. Bnou K., Raghay S., and Hakim A. Journal on Advances in Signal Processing. 2020. Vol. 2020, Article number: 36. DOI: 10.1186/s13634-020-00693-4.
18. Ivanov V.E. Modulyarnye wavlet-filtry: modeli, algoritmy I sredstva. [Modular wavelet filters: models, algorithms and tools] Khabarovsk: TOGU, 2020. 175 p.
19. Alday E.A.P., Gu A., Shah A.J., Robichaux C., Wong A.K.I., Liu C., Liu F., Rad A.B., Elola A., Seyedi S. Classification of 12-lead ECGs: The
М Инженерный вестник Дона, №9 (2024) ivdon.ru/ru/magazine/arcliive/n9y2024/9503
PhysioNet/Computing in Cardiology Challenge 2020 (version 1.0.2). PhysioNet. URL: doi.org/10.13026/dvyd-kd57 (assessed: 31.01.2024).
Дата поступления: 1.08.2024 Дата публикации: 11.09.2024
