MobileViTv2 with a normalised cosine-similarity classification head and synthetic data balancing for ECG arrhythmia classification on the MIT-BIH Arrhythmia Database
Diese Arbeit präsentiert ein auf MobileViTv2 basierendes Hybridnetzwerk, das durch einen mit einer normalisierten Kosinus-Ähnlichkeits-Klassifikationsschicht und WGAN-GP-synthetischer Datenbalancierung verbesserte Leistung erzielt, was eine hohe intra-patientenbezogene Genauigkeit auf der MIT-BIH Arrhythmia Database erreicht, während gleichzeitig die Notwendigkeit einer zukünftigen patientenunabhängigen Validierung hervorgehoben wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das menschliche Herz schlägt in einem Rhythmus, der sowohl stetig als auch einzigartig persönlich ist – ein biologischer Trommelschlag, auf den Ärzte hören, um Anzeichen von Problemen zu finden. Wenn dieser Rhythmus aus dem Takt gerät und unregelmäßig oder chaotisch wird, signalisiert dies eine Arrhythmie, einen Zustand, der bei nicht frühzeitiger Erkennung zum plötzlichen Herztod führen kann. Das primäre Werkzeug zur Beobachtung dieses elektrischen Tanzes ist das Elektrokardiogramm, oder EKG, eine Maschine, die die elektrischen Signale des Herzens als zackige Linie auf einem Bildschirm aufzeichnet. Jahrzehntelang haben Spezialisten diese Linien manuell untersucht, um verschiedene Arten von Unregelmäßigkeiten zu identifizieren, aber da tragbare Geräte eine kontinuierliche Herzüberwachung immer übllicher machen, ist das schiere Volumen der Daten überwältigend geworden. Dies hat Forscher dazu veranlasst, zu fragen, ob künstliche Intelligenz lernen kann, diese Signale ebenso gut oder sogar besser als ein menschliches Auge zu lesen, insbesondere wenn die Daten unordentlich sind, die seltenen Arten von Fehlern schwer zu finden sind und die Computer, die die Analyse durchführen, klein genug sein müssen, um an ein Handgelenk zu passen.
In einer kürzlich durchgeführten Studie versuchten Forscher, ein System zu entwickeln, das Herzschläge in fünf verschiedene Kategorien von Gesundheit und Krankheit sortieren kann, indem sie eine Datenbank mit realen Herzaufzeichnungen nutzen, die als MIT-BIH Arrhythmia Database bekannt ist. Die Herausforderung war zweifach: Die Daten waren stark verzerrt, wobei einige Arten von Herzschlägen tausende Male vorkamen, während andere nur eine Handvoll Mal auftraten, und die Modelle mussten effizient genug für mobile Geräte sein. Um dies anzugehen, wandelte das Team die rohen elektrischen Signale zunächst in visuelle Bilder um, die zeigten, wie sich die Energie des Signals über die Zeit und über verschiedene Frequenzen hinweg veränderte. Diese Bilder wurden dann in ein leichtgewichtiges Computer-Vision-Netzwerk eingespeist, das für Smartphones konzipiert war, jedoch mit einer entscheidenden Wendung. Anstatt die Standardmethode zu verwenden, mit der diese Netzwerke normalerweise eine endgültige Entscheidung treffen, ersetzten sie die letzte Schicht durch eine Methode, die das Muster des Herzschlags mit der idealen Form jeder Krankheitskategorie vergleicht und dabei ignoriert, wie laut oder stark das Signal war. Dieser Ansatz, kombiniert mit einer Technik zur Erstellung künstlicher Beispiele der seltenen Herzschläge, um die Trainingsdaten auszubalancieren, ermöglichte es dem System, effektiver aus den begrenzten Informationen zu lernen.
Die Ergebnisse zeigten, dass dieser neue Ansatz sehr gut funktionierte. Als das System mit einer großen Menge realer Herzschläge getestet wurde, die der Computer zuvor noch nie gesehen hatte, identifizierte es die Art des Herzschlags in fast 9ert Prozent der Fälle korrekt. Es schnitt besonders gut bei der Unterscheidung zwischen normalen Herzschlägen und den gefährlichsten Unregelmäßigkeiten ab, fand es jedoch etwas schwierig, zwischen zwei spezifischen Arten seltener Fehler zu unterscheiden, die sich sehr ähnlich sehen. Die Forscher stellten fest, dass ihre modifizierte Entscheidungsschicht eine kleine, aber messbare Steigerung der Genauigkeit im Vergleich zur Standardmethode bewirkte, insbesondere bei diesen kniffligen, seltenen Fällen. Die künstlichen Herzschläge, die erstellt wurden, um dem Computer beim Lernen zu helfen, waren so ähnlich zu den realen, dass sie sowohl in ihrem Timing als auch in ihren Frequenzmustern eng übereinstimmten, was bewies, dass der Computer aus diesen synthetischen Beispielen lernen konnte, ohne dadurch verwirrt zu werden.
Die Forscher geben jedoch vorsichtig zu bedenken, was dieser Erfolg bedeutet und was er nicht bedeutet. Da der Computer mit Herzschlägen getestet wurde, die von denselben Personen stammten, deren Daten er bereits studiert hatte, spiegeln die Ergebnisse wider, wie gut das System die einzigartige Herzform einer bestimmten Person lernt, und nicht, wie gut es einen völlig neuen Patienten diagnostizieren kann, den es noch nie zuvor getroffen hat. In der realen Welt hat jedes Herz eines Menschen eine leicht unterschiedliche elektrische Signatur, und ein System, das bei einer Person perfekt funktioniert, könnte bei einer anderen Schwierigkeiten haben. Die Studie testete dieses „neue Patient“-Szenario nicht und maß auch nicht, wie lange der gesamte Prozess auf einem kleinen, batteriebetriebenen Gerät dauern würde, da die Zeit, die für die Umwandlung des Signals in ein Bild aufgewendet wurde, in ihren Geschwindigkeitstests nicht enthalten war. Die Autoren weisen auch darauf hin, dass die Fähigkeit des Systems, seine Fehler zu erklären, begrenzt war; während sie sehen konnten, auf welche Teile des Bildes der Computer sich konzentrierte, konnten sie diese Bereiche nicht vollständig auf die spezifischen Wellen der ursprünglichen EKG-Linie zurückführen.
Letztendlich zeigt diese Arbeit, dass ein mobiles, freundliches Computernetzwerk, wenn es durch eine intelligentere Methode des Mustervergleichs geleitet und mit einer ausgewogenen Ernährung aus realen und synthetischen Beispielen gefüttert wird, eine hohe Genauigkeit beim Sortieren von Herzschlägen erreichen kann. Die Ergebnisse legen nahe, dass die spezifische Methode, die zur endgültigen Entscheidung verwendet wird, dem System hilft, sich auf die Form der Unregelmäßigkeit statt nur auf die Stärke des Signals zu konzentrieren. Dennoch ist der Weg zur klinischen Anwendung noch weit. Bevor diese Technologie darauf vertraut werden kann, Patienten in der realen Welt zu überwachen, muss bewiesen werden, dass sie bei Menschen funktioniert, die sie noch nie gesehen hat, über verschiedene Datenbanken hinweg getestet wurde und auf der tatsächlichen Hardware gemessen wurde, auf der sie laufen würde. Für den Moment bietet die Studie einen vielversprechenden Schritt nach vorn und zeigt, dass die künstliche Intelligenz mit den richtigen Werkzeugen beginnen kann, die komplexe, rhythmische Sprache des menschlichen Herzens zu verstehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.