Daubechies-4 Wavelet Sub-Band Statistical Feature Extraction Coupled With a Compact 1D Convolutional Neural Network for Five-Class Cardiac Arrhythmia Recognition From Ambulatory ECG Recordings
यह शोध पत्र एक हाइब्रिड फ्रेमवर्क प्रस्तावित करता है जो एम्बुलेटरी ईसीजी रिकॉर्डिंग से उच्च-सटीक, व्याख्या योग्य पांच-वर्ग कार्डिएक अतालता (कार्डिएक अरिदमिया) पहचान प्राप्त करने के लिए डौबेचीज़-4 वेवलेट सब-बैंड सांख्यिकीय विशेषता निष्कर्षण को एक कॉम्पैक्ट 1D-CNN के साथ जोड़ता है, जो इसे एम्बेडेड परिनियोजन के लिए उपयुक्त बनाता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
अपने हृदय की कल्पना एक व्यस्त, लयबद्ध ढोल की थाप के रूप में करें जो शरीर के ऑर्केस्ट्रा को ताल में रखता है। हालाँकि, कभी-कभी, ढोल बजाने वाला थोड़ा भ्रमित हो जाता है, एक बीट छोड़ देता है या गति को बहुत तेज़ कर देता है। इसे अतालता (arrhythmia) कहा जाता है, और जबकि कुछ बीट्स हानिरहित होती हैं, अन्य खतरनाक हो सकती हैं। इन गड़बड़ियों को पकड़ने के लिए, डॉक्टर इलेक्ट्रोकार्डियोग्राम, या ईसीजी (ECG) नामक मशीन का उपयोग करते हैं, जो स्क्रीन पर एक टेढ़ी-मेढ़ी रेखा खींचती है जो हृदय की विद्युत गतिविधि का प्रतिनिधित्व करती है। लेकिन यहाँ समस्या यह है: निगरानी के एक एकल दिन में ऐसी 1,00,000 से अधिक टेढ़ी-मेढ़ी रेखाएं उत्पन्न हो सकती हैं। एक मानव डॉक्टर को घंटों तक उन रेखाओं के पहाड़ को घूरने के लिए कहना वैसा ही है जैसे किसी को समुद्र तट पर रेत के एक विशिष्ट कण को खोजने के लिए कहना; यह धीमा, थका देने वाला और गलतियों के प्रति संवेदनशील है।
वर्षों से, वैज्ञानिकों ने ऐसे कंप्यूटर बनाने की कोशिश की है जो यह काम स्वचालित रूप से कर सकें। कुछ कंप्यूटर सीधे कच्ची टेढ़ी-मेढ़ी रेखाओं को देखकर सीखने की कोशिश करते हैं, जैसे कोई छात्र पेंटिंग के हर एक ब्रशस्ट्रोक को याद करने की कोशिश कर रहा हो। अन्य कंप्यूटर पहले रेखाओं को छोटे, सरल टुकड़ों में तोड़ने की कोशिश करते हैं, जैसे पेंटिंग का विश्लेषण केवल उसके रंगों या आकृतियों को देखकर करना। चुनौती एक ऐसा तरीका खोजने की रही है जो खतरनाक गड़बड़ियों को पहचानने के लिए पर्याप्त स्मार्ट हो और एक छोटे, पहनने योग्य उपकरण पर चलने के लिए पर्याप्त सरल हो जिसे सुपरकंप्यूटर की आवश्यकता न हो। यह वह पहेली है जिसे सैन्य विज्ञान और प्रौद्योगिकी संस्थान (Military Institute of Science and Technology) का एक नया अध्ययन हल करने का प्रयास कर रहा है।
शोधकर्ताओं ने, ओसामा अहमद इब्राहिम के नेतृत्व में, एक चतुर दो-चरणीय रणनीति का प्रस्ताव दिया है जो एक "स्मार्ट फिल्टर" और उसके बाद एक "त्वरित विचारक" की तरह कार्य करती है। कंप्यूटर को कच्ची, अव्यवस्थित ईसीजी रेखाएं खिलाने के बजाय, वे पहले 'डॉबेचिस-4 वेवलेट ट्रांसफॉर्म' (Daubechies-4 wavelet transform) नामक एक गणितीय उपकरण का उपयोग करते हैं। इस उपकरण को एक हाई-टेक प्रिज्म के रूप में समझें। जब आप एक प्रिज्म के माध्यम से सफेद प्रकाश डालते हैं, तो यह अलग-अलग रंगों के इंद्रधनुष में विभाजित हो जाता है। इसी तरह, यह गणितीय प्रिज्म हृदय के विद्युत संकेत को छह अलग-अलग "सब-बैंड्स" (sub-bands), या आवृत्ति परतों में विभाजित करता है। कुछ परतें हृदय की विश्राम अवस्था की धीमी, लुढ़कती लहरों को पकड़ती हैं, जबकि अन्य तीव्र, तेज़ स्पाइक्स को पकड़ती हैं जहाँ हृदय धड़कता है।
एक बार जब संकेत इन छह परतों में विभाजित हो जाता है, तो कंप्यूटर प्रत्येक रेखा के हर एक बिंदु को नहीं देखता है। इसके बजाय, यह चार सरल सांख्यिकी का उपयोग करके प्रत्येक परत का एक "स्नैपशॉट" लेता है: औसत ऊंचाई (मीन), उतार-चढ़ाव की मात्रा (मानक विचलन), कुल शक्ति (ऊर्जा), और अराजकता या आश्चर्य का स्तर (शैनन एंट्रॉपी)। यह एक गीत का वर्णन करने जैसा है कि केवल प्रत्येक नोट को लिखने के बजाय, यह कहना कि, "बास तेज़ है, ट्रेबल अस्थिर है, और लय अराजक है।" यह प्रक्रिया भारी मात्रा में डेटा को हर एक धड़कन के लिए एक छोटे, 24-संख्या वाले सारांश में सिकोड़ देती है। यह एक विशाल संपीड़न (compression) है, जो जानकारी को उसके मूल आकार के केवल एक-नौवें हिस्से तक सिकोड़ देता है।
इस संक्षिप्त सारांश को 1D कनवोल्यूशनल न्यूरल नेटवर्क (1D-CNN) नामक एक हल्के कंप्यूटर मस्तिष्क में फीड किया जाता है। आप इस नेटवर्क की कल्पना एक बहुत ही कुशल जासूस के रूप में कर सकते हैं जिसे पांच विशिष्ट प्रकार के हृदय लय को पहचानने के लिए प्रशिक्षित किया गया है: सामान्य बीट्स, लेफ्ट बंडल ब्रांच ब्लॉक, राइट बंडल ब्रांच ब्लॉक, प्रीमैच्योर वेंट्रिकुलर कॉन्ट्रैक्शंस, और एट्रियल प्रीमैच्योर कॉन्ट्रैक्शंस। क्योंकि जासूस को पूरे अव्यवस्थित सिग्नल के बजाय केवल 24-संख्या वाले सारांश को देखना होता है, इसलिए वह अविश्वसनीय रूप से तेज़ी से और बहुत कम मेमोरी के साथ निर्णय ले सकता है। पूरा सिस्टम 2,00,000 से कम प्रशिक्षण योग्य मापदंडों (parameters) का उपयोग करता है, जो आधुनिक डीप लर्निंग मॉडलों द्वारा आवश्यक लाखों मापदंडों की तुलना में बहुत कम है।
जब शोधकर्ताओं ने 3,200 से अधिक हृदय धड़कनों वाली हृदय रिकॉर्डिंग के एक प्रसिद्ध डेटाबेस पर इस प्रणाली का परीक्षण किया, तो परिणाम प्रभावशाली थे। प्रणाली ने 99.08% बार हृदय की धड़कन के प्रकार को सही ढंग से पहचाना। यह विशेष रूप से राइट बंडल ब्रांच ब्लॉक को पहचानने में बहुत अच्छा था, जिसने उस विशिष्ट प्रकार पर 100% का सटीक स्कोर प्राप्त किया। इसने अन्य सामान्य लय के साथ भी बहुत अच्छा प्रदर्शन किया, हालांकि यह सबसे दुर्लभ प्रकार (एट्रियल प्रीमैच्योर कॉन्ट्रैक्शन) के साथ थोड़ा संघर्ष करता है, मुख्य रूप से इसलिए क्योंकि परीक्षण समूह में इससे सीखने के लिए बहुत कम उदाहरण थे। अध्ययन बताता है कि कच्चे डेटा के बजाय सिग्नल की इन "सांख्यिकीय स्नैपशॉट" परतों का उपयोग करके, हम ऐसे हृदय मॉनिटर बना सकते हैं जो अत्यधिक सटीक और इतने छोटे हों कि आपकी कलाई घड़ी या एक पैच पर फिट हो सकें, जिससे अस्पताल जाने की आवश्यकता के बिना खतरनाक हृदय समस्याओं को जल्दी पकड़ना आसान हो सके।
यह पेपर स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि हमें अच्छे परिणाम प्राप्त करने के लिए भारी, जटिल डीप लर्निंग मॉडल की आवश्यकता है जो बहुत अधिक कंप्यूटर शक्ति का उपभोग करते हैं। यह यह भी नोट करता है कि जबकि उनकी विधि तब उत्कृष्ट है जब कंप्यूटर ने उस विशिष्ट रोगी से डेटा देखा हो, यह पूरी तरह से नए रोगियों के लिए जिसे उसने पहले कभी नहीं देखा है, पूर्ण होने के लिए और अधिक काम की आवश्यकता हो सकती है। हालाँकि, इन पांच हृदय लय को वर्गीकृत करने के विशिष्ट कार्य के लिए, लेखक दिखाता है कि उनका "स्मार्ट फिल्टर और त्वरित विचारक" दृष्टिकोण एक शक्तिशाली, कुशल और सटीक समाधान है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।