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
Dit artikel stelt een hybride raamwerk voor dat Daubechies-4 wavelet subband statistische kenmerkextractie combineert met een compacte 1D-CNN om een nauwkeurige, interpreteerbare vijfklasse hartritmestoornisherkenning uit ambulante ECG-opnames te bereiken, wat het geschikt maakt voor embedded implementatie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je je hart voor als een drukke, ritmische trommel die de strijkers en blazers van het lichaam in de pas houdt. Soms raakt de drummer echter een beetje in de war, waardoor hij een slag overslaat of het tempo opschroeft. Dit wordt een aritmie genoemd, en hoewel sommige uitschieters onschadelijk zijn, kunnen andere gevaarlijk zijn. Om deze foutjes te vangen, gebruiken artsen een machine genaamd een elektrocardiogram, of ECG, die een kronkelige lijn op een scherm tekent die de elektrische activiteit van het hart weergeeft. Maar hier is het probleem: een enkele dag aan monitoring kan meer dan 100.000 van deze kronkels produceren. Een menselijke arts vragen om urenlang naar die berg lijnen te staren, is also kind als iemand vragen om een specifiek zandkorreltje op een strand te vinden; het is traag, vermoeiend en gevoelig voor fouten.
Jarenlang hebben wetenschappers geprobeerd computers te bouwen die dit werk automatisch kunnen doen. Sommige computers proberen te leren door direct naar de ruwe, kronkelige lijnen te kijken, zoals een student die probeert elke individuele penseelstreek van een schilderij uit het hoofd te leren. Anderen proberen de lijnen eerst op te delen in kleinere, eenvoudigere stukjes, zoals het analyseren van een schilderij door alleen naar de kleuren of de vormen te kijken. De uitdaging is het vinden van een manier die zowel slim genoeg is om de gevaarlijke foutjes te spotten als simpel genoeg om te draaien op een klein, draagbaar apparaat zonder dat daar een supercomputer voor nodig is. Dit is de puzzel die een nieuwe studie van het Militaire Instituut voor Wetenschap beoogt op te lossen.
De onderzoekers, onder leiding van Osama Ahmed Ibrahim, stellen een slimme tweestapsstrategie voor die fungeert als een "slim filter" gevolgd door een "snelle denker". In plaats van de computer de rommelige, ruwe ECG-lijnen te voeren, gebruiken ze eerst een wiskundig hulpmiddel genaamd de Daubechies-4 wavelet-transformatie. Denk aan dit hulpmiddel als een hoogtechnologische prisma. Wanneer je wit licht door een prisma schijnt, splitst het zich in een regenboog van duidelijke kleuren. Vergelijkbaar daarmee splitst dit wiskundige prisma het elektrische signaal van het hart in zes verschillende "subbanden", of frequentielagen. Sommige lagen vangen de langzame, rollende golven van de rusttoestand van het hart op, terwijl andere de scherpe, snelle pieken opvangen waar het hart slaat.
Zodra het signaal in deze zes lagen is gesplitst, kijkt de computer niet naar elk afzonderlijk punt in de lijnen. In plaats daarvan maakt hij een "snapshot" van elke laag met behulp van vier eenvoudige statistieken: de gemiddelde hoogte (gemiddelde), de mate van wiebelen (standaarddeviatie), de totale kracht (energie) en het niveau van chaos of verrassing (Shannon-entropie). Het is alsof je een lied beschrijft, niet door elke noot op te schrijven, maar door te zeggen: "De bas is luid, de hoge tonen zijn onrustig en het ritme is chaotisch." Dit proces verkleint de enorme hoeveelheid gegevens tot een kleine samenvatting van 24 getallen voor elke hartslag. Dit is een enorme compressie; de informatie wordt samengeperst tot slechts één negende van de oorspronkelijke omvang.
Deze compacte samenvatting wordt vervolgens gevoed aan een lichtgewicht computerbrein genaamd een 1D Convolutional Neural Network (1D-CNN). Je kunt je dit netwerk voorstellen als een zeer efficiënte detective die getraind is om vijf specifieke soorten hartritmes te herkennen: Normale slagen, Linker Bundeltakblok (Left Bundle Branch Block), Rechter Bundeltakblok (Right Bundle Branch Block), Premature Ventriculaire Contracties en Atriale Premature Contracties. Omdat de detective alleen de 24-getallen samenvatting hoeft te bekijken in plaats van het hele rommelige signaal, kan hij ongelooflijk snel beslissingen nemen en met zeer weinig geheugen. Het hele systeem gebruikt minder dan 200.000 trainbare parameters, wat minuscuul is vergeleken met de miljoenen die gewoonlijk vereist zijn door moderne deep learning-modellen.
Toen de onderzoekers hun systeem testten op een beroemde database van hartopnames met meer dan 3.200 hartslagen, waren de resultaten indrukwekkend. Het systeem identificeerde het type hartslag in 99,08% van de gevallen correct. Het was bijzonder goed in het spotten van het Rechter Bundeltakblok, waarbij het een perfecte score van 100% behaalde voor dat specifieke type. Het deed het ook erg goed met de andere veelvoorkomende ritmes, hoewel het wat moeite had met het zeldzaamste type (Atriale Premature Contractie), voornamelijk omdat er weinig voorbeelden van waren om van te leren in de testgroep. De studie suggereert dat door deze "statistische snapshots" van de signaallagen te gebruiken in plaats van ruwe data, we hartmonitoren kunnen bouwen die zowel zeer nauwkeurig als klein genoeg zijn om op een polshorloge of een pleister te passen, wat het makkelijker maakt om gevaarlijke hartproblemen vroegtijdig op te merken zonder een ziekenhuisbezoek.
Het artikel betoogt expliciet tegen het idee dat we enorme, complexe deep learning-modellen nodig hebben die enorme hoeveelheden computerkracht opslokken om goede resultaten te behalen. Het merkt ook op dat hoewel hun methode uitstekend is in het onderscheiden van verschillende hartritmes wanneer de computer al gegevens heeft gezien van die specifieke patiënt, het mogelijk meer werk nodig heeft om perfect te zijn voor volledig nieuwe patiënten die het nog nooit heeft ontmoet. Echter, voor de specifieke taak van het classificeren van deze vijf hartritmes, laat de auteur zien dat hun "slim filter en snelle denker"-aanpak een krachtige, efficiënte en nauwkeurige oplossing is.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.