Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân loại nhịp tim ECG bằng cách sử dụng mạng nơ-ron sâu
Tóm tắt
Phân loại điện tâm đồ (ECG) là một quá trình quan trọng trong việc hỗ trợ các bác sĩ phát hiện nhiều loại loạn nhịp tim. Việc trích xuất đặc trưng từ ECG là bước then chốt nhằm đạt được phân loại tốt. Kiến trúc học sâu như mạng nơ-ron tích chập (CNN) và bộ nhớ ngắn-hạn và dài-hạn (LSTM) gần đây đã trở nên phổ biến trong các ứng dụng thực tế. Lý do chính cho sự phổ biến này là vì nó có khả năng tự động trích xuất các đặc trưng và phân loại chúng mà không cần đến quy trình trích xuất và lựa chọn đặc trưng thủ công. Mục tiêu của công trình này là chứng minh sự thành công của CNN trong việc trích xuất đặc trưng từ các tín hiệu ECG và của mạng nơ-ron LSTM trong phân loại ECG. Bài báo này trình bày một phương pháp phân loại nhịp tim ECG dựa trên các mạng CNN và LSTM để trích xuất các đặc trưng nhịp tim và phân loại sáu loại nhịp tim, cụ thể là nhịp bình thường, N; nhịp khối nhánh trái, L; nhịp khối nhánh phải, R; co thắt thất sớm, V; co thắt tâm nhĩ sớm, A; và nhịp được điều chỉnh, P, được cung cấp từ cơ sở dữ liệu loạn nhịp MIT-BIH nổi tiếng. Đầu tiên, các tín hiệu ECG từ cơ sở dữ liệu MIT-BIH được phân đoạn thành các nhịp tim có độ dài khoảng 0.8 giây, và sau đó các nhịp tim thô này được đưa vào CNN để trích xuất các đặc trưng phù hợp; cuối cùng, các vector đặc trưng thu được từ CNN sẽ được đưa vào mạng LSTM để phân loại. Hiệu suất phân loại của mô hình được đề xuất được xác thực trên cơ sở dữ liệu loạn nhịp MIT-BIH. Độ chính xác trong quá trình đào tạo và thử nghiệm của phương pháp đề xuất cho cơ sở dữ liệu loạn nhịp MIT-BIH lần lượt là 99.9% và 98.60% đối với đầu ra dẫn II đã được chỉnh sửa. Độ chính xác phân loại cho các lớp N, L, R, P, V và A lần lượt đạt 99.40%, 98.00%, 97.30%, 99.70%, 98.40% và 93.80%. Để tận dụng sức mạnh của CNN trong việc trích xuất các đặc trưng và mạng LSTM trong phân loại, chúng tôi đã đề xuất một hệ thống mạng nơ-ron sâu chính xác và robust, kết hợp CNN và LSTM để tự động phân loại sáu loại nhịp tim ECG từ các bản ghi ECG đầu II từ cơ sở dữ liệu MIT-BIH. Các kết quả thu được chứng minh rằng việc kết hợp CNN và LSTM cho trích xuất và phân loại đặc trưng ECG đạt được hiệu suất cao hơn so với các kỹ thuật khác đã được đề xuất trong tài liệu. Một lợi thế quan trọng khác của phương pháp đề xuất là nó không yêu cầu bất kỳ bước tiền xử lý dữ liệu nào, vì vậy không cần lọc hay khử nhiễu các tín hiệu ECG thô trước khi phân loại. Do đó, mô hình mà chúng tôi triển khai ít phức tạp hơn so với các mô hình khác đã được đề xuất trong các công trình khác và đạt được độ chính xác phân loại tốt hơn.
Từ khóa
#phân loại ECG #nhịp tim #mạng nơ-ron tích chập #mạng nơ-ron LSTM #trích xuất đặc trưngTài liệu tham khảo
Acharya RU, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M. Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals. Inf Sci. 2017a;415:190–8. https://doi.org/10.1016/j.ins.2017.06.027.
Acharya UR, Oh SL, Hagiwara Y, Tan JH, Adam M, Gertych A, San TR. A deep convolutional neural network model to classify heartbeats. Comput Biol Med. 2017b;89:389–96. https://doi.org/10.1016/j.compbiomed.2017.08.022.
Acharya UR, Fujita H, Oh SL, Raghavendra U, Tan JH, Adam M, Gertych A, Hagiwara Y. Automated identification of shockable and non-shockable life-threatening ventricular arrhythmia using convolutional neural network. Futur Gener Comput Syst. 2018;79:952–9. https://doi.org/10.1016/j.future.2017.08.039.
Al Rahhal MM, Bazi Y, AlHichri H, Alajlan N, Melgani F, Yager RR. Deep learning approach for active classification of electrocardiogram signals. Inf Sci. 2016;345:340–54. https://doi.org/10.1016/j.ins.2016.01.082.
Chauhan S, Vig L. Anomaly detection in ECG time signals via deep long short-term memory networks. International Conference on Data Science and Advanced Analytics (DSAA). IEEE 2015;1–7. https://doi.org/10.1109/DSAA.2015.7344872
Daamouche A, Latifa H, Naif A, Farid M. A wavelet optimization approach for ECG signal classification. Biomed Signal Process Control. 2012;7(4):342–9. https://doi.org/10.1016/j.bspc.2011.07.001.
Ebrahimi Z, Loni M, Daneshtalab M, Gharehbaghi A. A review on deep learning methods for ECG arrhythmia classification. Exp Syst Appl. 2020;7:100033. https://doi.org/10.1016/j.eswax.2020.100033.
Elhaj FA, Salim N, Harris AR, Swee TT, Ahmed T. Arrhythmia recognition and classification using combined linear and nonlinear features of ECG signals. Comput Methods Programs Biomed. 2016;127:52–63. https://doi.org/10.1016/j.cmpb.2015.12.024.
Ganapathy N, Swaminathan R, Deserno TM. Deep learning on 1-D biosignals: a taxonomy-based survey. Yearb Med Inform. 2018;27(1):098–109.
Guler I, Ubeylı ED. ECG beat classifier designed by combined neural network model. Pattern Recogn. 2005;38(2):199–208. https://doi.org/10.1016/j.patcog.2004.06.009.
Hochreiter S, Schmidhuber J. Long short-term memory. Neural Comput. 1997;9(8):1735–80. https://doi.org/10.1162/neco.1997.9.8.1735.
Hongqiang L, Yuan D, Ma X, Cui D, Cao L. Genetic algorithm for the optimization of features and neural networks in ECG signals classification. Sci Rep. 2017;7:41011. https://doi.org/10.1038/srep41011.
Huanhuan M, Yue Z. Classification of electrocardiogram signals with deep belief networks. In17th International Conference on Computational Science and Engineering. IEEE 2014;7–12. https://doi.org/10.1109/CSE.2014.36
Ince T, Kiranyaz S, Gabbouj M. A generic and robust system for automated patient-specific classification of ECG signals. IEEE Trans Biomed Eng. 2009;56(5):1415–26. https://doi.org/10.1109/TBME.2009.2013934.
Khazaee A, Ataollah E. Classification of electrocardiogram signals with support vector machines and genetic algorithms using power spectral features. Biomed Signal Process Control. 2010;5(4):252–63. https://doi.org/10.1016/j.bspc.2010.07.006.
Kutlu Y, Kuntalp D. Feature extraction for ECG heartbeats using higher order statistics of WPD coefficients. Comput Methods Programs Biomed. 2012;105(3):257–67. https://doi.org/10.1016/j.cmpb.2011.10.002.
LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436–44.
Li T, Zhou M. ECG classification using wavelet packet entropy and random forests. Entropy. 2016;18(8):285. https://doi.org/10.3390/e18080285.
Li D, Zhang J, Zhang Q, Wei X. Classification of ECG signals based on 1d convolution neural network. In 19th International Conference on e-Health Networking, Applications and Services IEEE 2017;1–6. https://doi.org/10.1109/HealthCom.2017.8210784
Liu Y, Chen X, Peng H, Wang Z. Multi-focus image fusion with a deep convolutional neural network. Inform Fusion. 2017;36:191–207. https://doi.org/10.1016/j.inffus.2016.12.001.
Luz EJDS, Nunes TM, De Albuquerque VHC, Papa JP, Menotti D. ECG arrhythmia classification based on optimum-path forest. Expert Syst Appl. 2013;40(9):3561–73. https://doi.org/10.1016/j.eswa.2012.12.063.
Martis RJ, Acharya UR, Min LC. ECG beat classification using PCA, LDA, ICA and discrete wavelet transform. Biomed Signal Process Control. 2013;8(5):437–48. https://doi.org/10.1016/j.bspc.2013.01.005.
Moody GB, Mark RG. The impact of the MIT-BIH arrhythmia database. IEEE Eng Med Biol Mag. 2001;20(3):45–50.
Oh SL, Ng EY, San Tan R, Acharya UR. Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats. Comput Biol Med. 2018;102:278–87. https://doi.org/10.1016/j.compbiomed.2018.06.002.
Ozbay Y, Ceylan R, Karlik B. Integration of type-2 fuzzy clustering and wavelet transform in a neural network based ECG classifier. Expert Syst Appl. 2011;38(1):1004–10. https://doi.org/10.1016/j.eswa.2010.07.118.
Picon A, Irusta U, Álvarez-Gila A, Aramendi E, Alonso-Atienza F, Figuera C, Eftestøl T. Mixed convolutional and long short-term memory network for the detection of lethal ventricular arrhythmia. PloS one. 2019;14(5):e0216756. https://doi.org/10.1371/journal.pone.0216756.
Physiobank atm. https://archive.physionet.org/cgi-bin/atm/ATM. Last accessed on 2019-04-13
Raman P, Ghosh S. Classification of heart diseases based on ECG analysis using FCM and SVM methods. Int J Eng Sci Comput. 2016;6:6739–44.
Sahoo S, Kanungo B, Behera S, Sabut S. Multiresolution wavelet transform based feature extraction and ECG Classification to detect cardiac abnormalities. Measurement. 2017;108:55–66. https://doi.org/10.1016/j.measurement.2017.05.022.
Sak H, Senior AW, Beaufays F. Long short term memory recurrent neural network architectures for large scale acoustic modeling. 2014.
Serkan K, Turker I, Moncef G. Real-time patient-specific ECG classification by 1-d convolutional neural networks. IEEE Trans Biomed Eng. 2015;63(3):664–75. https://doi.org/10.1109/TBME.2015.2468589.
Singh S, Pandey SK, Pawar U, Janghel RR. Classification of ECG arrhythmia using recurrent neural networks. Proc Comput Sci. 2018;132:1290–7. https://doi.org/10.1016/j.procs.2018.05.045.
Thomas M, Das MK, Ari S. Automatic ECG arrhythmia classification using dual tree complex wavelet based features. AEU Int J Electron Commun. 2015;69(4):715–21. https://doi.org/10.1016/j.aeue.2014.12.013.
Ubeyli ED. Recurrent neural networks employing lyapunov exponents for analysis of ECG signals. Expert Syst Appl. 2010;37(2):1192–9. https://doi.org/10.1016/j.eswa.2009.06.022.
Yang W, Si Y, Wang D, Guo B. Automatic recognition of arrhythmia based on principal component analysis network and linear support vector machine. Comput Biol Med. 2018;101:22–32. https://doi.org/10.1016/j.compbiomed.2018.08.003.
Ye C, Kumar BV, Coimbra M. Heartbeat classification using morphological and dynamic features of ECG signals. IEEE Trans Biomed Eng. 2012;59(10):2930–41. https://doi.org/10.1109/TBME.2012.2213253.
Yeh Y-C, Chiou CW, Lin H-J. Analyzing ECG for cardiac arrhythmia using cluster analysis. Expert Syst Appl. 2012;39(1):1000–10. https://doi.org/10.1016/j.eswa.2011.07.101.
Yu SN, Chou K. Integration of independent component analysis and neural networks for ECG beat classification. Expert Syst Appl. 2008;34(4):2841–6. https://doi.org/10.1016/j.eswa.2007.05.006.
Zubair M, Kim J, Yoon C. An automated ECG beat classification system using convolutional neural networks. In 6th international conference on IT convergence and security (ICITCS). IEEE. 2016;1–5.