MobileViTv2 with a normalised cosine-similarity classification head and synthetic data balancing for ECG arrhythmia classification on the MIT-BIH Arrhythmia Database
यह शोध पत्र एक MobileViTv2-आधारित हाइब्रिड नेटवर्क प्रस्तुत करता है जिसे एक नॉर्मलाइज्ड कोसाइन-सिमिलरिटी क्लासिफिकेशन हेड और WGAN-GP सिंथेटिक डेटा बैलेंसिंग के साथ संवर्धित किया गया है, जो MIT-BIH अतालता (Arrhythmia) डेटाबेस पर उच्च इंट्रा-पेशेंट सटीकता प्राप्त करता है और भविष्य के पेशेंट-इंडिपेंडेंट वैलिडेशन की आवश्यकता को रेखांकित करता 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
मानव हृदय एक ऐसी लय के साथ धड़कता है जो स्थिर भी है और अद्वितीय रूप से व्यक्तिगत भी, एक जैविक ताल जिसे डॉक्टर समस्याओं के संकेतों के लिए सुनते हैं। जब यह लय लड़खड़ाती है, अनियमित या अराजक हो जाती है, तो यह अतालता (अरिदमिया) का संकेत देती है, एक ऐसी स्थिति जो यदि जल्दी पकड़ी न जाए तो अचानक कार्डियक डेथ का कारण बन सकती है। इस विद्युत नृत्य को देखने का प्राथमिक उपकरण इलेक्ट्रोकार्डियोग्राम, या ईसीजी (ECG) है, जो एक मशीन है जो हृदय के विद्युत संकेतों को स्क्रीन पर एक टेढ़ी-मेढ़ी रेखा के रूप में रिकॉर्ड करती है। दशकों से, विशेषज्ञ विभिन्न प्रकार की अनियमितताओं की पहचान करने के लिए इन रेखाओं का मैन्युअल रूप से परीक्षण करते रहे हैं, लेकिन जैसे-जैसे पहनने योग्य उपकरण निरंतर हृदय निगरानी को अधिक सामान्य बना रहे हैं, डेटा की विशाल मात्रा अत्यधिक बोझिल होती जा रही है। इसने शोधकर्ताओं को यह पूछने के लिए प्रेरित किया है कि क्या आर्टिफिशियल इंटेलिजेंस मानव आंख की तरह या उससे बेहतर इन संकेतों को पढ़ सकता है, विशेष रूप से तब जब डेटा अव्यवस्थित हो, दुर्लभ प्रकार की त्रुटियां ढूंढना कठिन हो, और विश्लेषण चलाने वाले कंप्यूटर इतने छोटे हों कि वे कलाई पर फिट हो सकें।
एक हालिया अध्ययन में, शोधकर्ताओं ने एक ऐसी प्रणाली बनाने का लक्ष्य रखा जो वास्तविक दुनिया के हृदय रिकॉर्डिंग के एक डेटाबेस, जिसे एमआईटी-बीआईएच अतालता डेटाबेस (MIT-BIH Arrhythmia Database) के रूप में जाना जाता है, का उपयोग करके हृदय की धड़कनों को स्वास्थ्य और रोग की पांच अलग-अलग श्रेणियों में वर्गीकृत कर सके। चुनौती दोहरी थी: डेटा अत्यधिक विषम था, जिसमें कुछ प्रकार की हृदय धड़कनें हजारों बार दिखाई देती थीं जबकि अन्य केवल कुछ ही बार दिखाई देती थीं, और मॉडल मोबाइल उपकरणों के लिए पर्याप्त कुशल होने चाहिए थे। इस समस्या से निपटने के लिए, टीम ने पहले कच्चे विद्युत संकेतों को दृश्य छवियों में परिवर्तित किया जो यह दिखाते थे कि सिग्नल की ऊर्जा समय और विभिन्न आवृत्तियों के माध्यम से कैसे बदलती है। इसके बाद उन्होंने इन छवियों को स्मार्टफोन के लिए डिज़ाइन किए गए एक हल्के कंप्यूटर विजन नेटवर्क में डाला, लेकिन एक महत्वपूर्ण मोड़ के साथ। मानक तरीके से इन नेटवर्कों द्वारा आमतौर पर निर्णय लेने के बजाय, उन्होंने अंतिम परत को एक ऐसी विधि से बदल दिया जो हृदय की धड़कन के पैटर्न की तुलना प्रत्येक रोग श्रेणी के आदर्श आकार से करती है, और यह अनदेखा करती है कि सिग्नल कितना तेज या मजबूत था। इस दृष्टिकोण ने, कृत्रिम उदाहरणों के माध्यम से दुर्लभ हृदय धड़कनों को संतुलित करने की तकनीक के साथ मिलकर, सिस्टम को उपलब्ध सीमित जानकारी से अधिक प्रभावी ढंग से सीखने में सक्षम बनाया।
परिणामों ने दिखाया कि यह नया दृष्टिकोण बहुत अच्छा काम करता है। जब इसे वास्तविक हृदय धड़कनों के एक बड़े सेट पर परखा गया जिसे कंप्यूटर ने पहले कभी नहीं देखा था, तो सिस्टम ने लगभग 98 प्रतिशत मामलों में हृदय की धड़कन के प्रकार की सही पहचान की। इसने सामान्य हृदय धड़कनों और सबसे खतरनाक अनियमितताओं के बीच अंतर करने में विशेष रूप से अच्छा प्रदर्शन किया, हालांकि इसे दो विशिष्ट दुर्लभ त्रुटियों के बीच अंतर करने में थोड़ा कठिन लगा जो एक-दूसरे के समान दिखती हैं। शोधकर्ताओं ने पाया कि उनके संशोधित निर्णय लेने वाले परत ने मानक पद्धति की तुलना में सटीकता में एक छोटा लेकिन मापने योग्य उछाल दिया, विशेष रूप से उन कठिन, दुर्लभ मामलों के लिए। कृत्रंत हृदय धड़कनों को बनाने के प्रयोग, जो कंप्यूटर को सीखने में मदद करने के लिए किए गए थे, वास्तविक धड़कनों के इतने समान थे कि वे अपने समय और आवृत्ति पैटर्न में निकटता से मेल खाते थे, जिससे यह सिद्ध हुआ कि कंप्यूटर इन सिंथेटिक उदाहरणों से भ्रमित हुए बिना सीख सकता है।
हालांकि, शोधकर्ता सावधानी बरतते हुए यह स्पष्ट करते हैं कि यह सफलता क्या है और क्या नहीं है। चूंकि कंप्यूटर का परीक्षण उन्हीं लोगों की हृदय धड़कनों पर किया गया था जिनका डेटा उसने पहले ही पढ़ लिया था, इसलिए परिणाम यह दर्शाते हैं कि सिस्टम उस व्यक्ति के विशिष्ट हृदय आकार को कितनी अच्छी तरह सीखता है, न कि यह कि वह पूरी तरह से नए रोगी के निदान के लिए कितना सक्षम है। वास्तविक दुनिया में, प्रत्येक व्यक्ति के हृदय का विद्युत हस्ताक्षर थोड़ा अलग होता है, और एक ऐसा सिस्टम जो एक व्यक्ति के लिए पूरी तरह से काम करता है, वह दूसरे के लिए संघर्ष कर सकता है। अध्ययन ने इस "नए रोगी" परिदृश्य का परीक्षण नहीं किया, और न ही इसने मापा कि एक छोटे, बैटरी से चलने वाले उपकरण पर पूरी प्रक्रिया में कितना समय लगेगा, क्योंकि सिग्नल को छवि में बदलने में लगने वाला समय उनके गति परीक्षणों में शामिल नहीं था। लेखक यह भी बताते हैं कि सिस्टम की अपनी गलतियों को समझाने की क्षमता सीमित थी; हालांकि वे देख सकते थे कि कंप्यूटर किस भाग पर ध्यान केंद्रित कर रहा था, लेकिन वे उन क्षेत्रों को मूल ईसीजी रेखा के विशिष्ट तरंगों के साथ पूरी तरह से मैप नहीं कर सके।
अंततः, यह कार्य प्रदर्शित करता है कि एक मोबाइल-अनुकूल कंप्यूटर नेटवर्क, जब पैटर्न की तुलना करने के स्मार्ट तरीके द्वारा निर्देशित होता है और वास्तविक एवं सिंथेटिक उदाहरणों के संतुलित आहार से पोषित होता है, तो हृदय धड़कनों को वर्गीकृत करने में उच्च सटीकता प्राप्त कर सकता है। निष्कर्ष बताते हैं कि अंतिम निर्णय लेने के लिए उपयोग की जाने वाली विशिष्ट विधि सिस्टम को सिग्नल की ताकत के बजाय अनियमितता के आकार पर ध्यान केंद्रित करने में मदद करती है। फिर भी, नैदानिक उपयोग का मार्ग लंबा है। इससे पहले कि इस तकनीक पर वास्तविक दुनिया में रोगियों की निगरानी करने के लिए भरोसा किया जा सके, इसे उन लोगों पर काम करना सिद्ध करना होगा जिन्हें इसने पहले कभी नहीं देखा है, विभिन्न डेटाबेसों में परीक्षण करना होगा, और उस वास्तविक हार्डवेयर पर मापा जाना चाहिए जिस पर यह चलेगा। फिलहाल, यह अध्ययन एक आशाजनक कदम है, जो दिखाता है कि सही उपकरणों के साथ, आर्टिफिशियल इंटेलिजेंस मानव हृदय की जटिल, लयबद्ध भाषा को समझना शुरू कर सकता 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।