МОДЕЛЬ НЕЙРОМЕРЕЖЕВОГО АВТОЕНКОДЕРА ДЛЯ ФОРМУВАННЯ СКОРОЧЕНИХ ВЕКТОРІВ ОЗНАК ЕКГ СИГНАЛІВ
DOI:
https://doi.org/10.20535/1970.69(1).2025.331920Ключові слова:
електрокардіографія, автоенкодер, пізні потенціали шлуночків, пізні потенціали передсердь, стиснення данихАнотація
У статті розглянута актуальна проблема вдосконалення моделей нейронних мереж для класифікації серцево-судинних патологій шляхом стиснення інформації, яка міститься в електрокардіографічних (ЕКГ) сигналах. Через активне впровадження штучного інтелекту в медичну діагностику в роботі зосереджено увагу на створенні скороченого вектора ознак ЕКГ сигналів, що дозволяє зменшити обсяг тренувальних даних без втрати важливої інформації. Дослідження присвячено розробці моделі автоенкодера зі спеціалізованою архітектурою, яка поєднує згорткові та повнозв’язні шари, шари уваги, залишкові зв’язки та симетричну структуру зі спільними вагами. Такий підхід дозволяє не лише стискати вхідний багатоканальний сигнал, але й формувати латентний простір, з якого можна відновити сигнал або використовувати його як вектор ознак для класифікації. В архітектурі моделі автоенкодера виконано поєднання латентного представлення та вектору вагових коефіцієнтів шарів у єдиний скорочений вектор, що одночасно містить інформацію як про форму, так і про структуру ознак ЕКГ сигналу. Навчання моделі відбувалося з використанням комбінованої функції втрат, яка дозволяє балансувати між якістю реконструкції сигналу та точністю класифікації. Для тестування моделі було використано низку альтернативних методів скорочення розмірності: зниження частоти дискретизації; перетворення до ортогональних відведень Франка; обчислення результуючого вектора; метод головних компонент (PCA). Усі методи були протестовані на базі даних PTB-XL, яка містить 12-канальні ЕКГ-записи з широким спектром патологій. Для оцінки ефективності скороченого вектора ознак застосовано дві моделі – згорткову нейронну мережу EcgNet і повнозв’язну мережу з двома прихованими шарами. Аналіз результатів показав, що в середньому точність класифікації з використанням скороченого вектора знижується лише на 2% для EcgNet і збільшується на 3–6% для повнозв’язної мережі, що свідчить про збереження діагностичної інформації навіть у разі значного коефіцієнту стиснення сигналу зі значенням 25. Водночас, традиційні методи зменшення розмірності, такі як PCA або переведення в ортогональну систему відведень, демонструють суттєве погіршення якості класифікації (до –16%). Зменшення частоти дискретизації до 75 Гц хоча дозволяє суттєво знизити обсяг даних, однак, також веде до втрати високочастотної інформації, критичної для виявлення ішемій та аритмій. Окрему увагу приділено пізнім потенціалам шлуночків (ППШ) та передсердь (ППП), що мають низькоамплітудну і високочастотну природу. Сформований скорочений вектор ознак забезпечив збереження інформативних характеристик цих класів, що відобразилось у підвищенні точності їх класифікації порівняно з традиційними методами зменшення розмірності. З огляду на це, розроблений скорочений вектор ознак демонструє здатність до збереження діагностичної інформації за умов суттєвого зменшення розмірності даних ЕКГ, що дозволяє досягти балансу між обчислювальною ефективністю, точністю класифікації та універсальністю застосування. Отримані результати свідчать про те, що використання запропонованого скороченого вектора ознак може бути перспективним рішенням для компактних і продуктивних систем автоматизованого аналізу ЕКГ, в мобільних, або обмежених за обчислювальними ресурсами системах, а також дає можливість пришвидшити розробку та тестування нових нейромережевих моделей для діагностики.
Посилання
Z. T. Kocsis, "Artificial Neural Networks in Medicine," Acta Tech. Jaurinensis, vol. 12, no. 2, pp. 117–129, 2019. DOI:10.14513/actatechjaur.v12.n2.497
S. Nurmaini та ін., "An Automated ECG Beat Classification System Using Deep Neural Networks with an Unsupervised Feature Extraction Technique," Appl. Sci., vol. 9, no. 14, 2921, 2019. DOI: 10.3390/app9142921
J. Terven, D. M. Cordova-Esparza, A. Ramirez-Pedraza, E. A. Chavez-Urbiola, and J. A. Romero-Gonzalez, "Loss Functions and Metrics in Deep Learning," arXiv preprint arXiv:2307.02694, Oct. 2024. [Online]. Available: https://arxiv.org/abs/2307.02694.
S. Saadatnejad, M. Oveisi та M. Hashemi, «LSTM-Based ECG Classification for Continuous Monitoring on Personal Wearable Devices», IEEE J. Biomed. Health Inform., vol. 24, no. 2, pp. 515–523, 2020. DOI: 10.1109/jbhi.2019.2911367
R. Huang, X. Xue, R. Xiao та F. Bu, «A Novel Method for ECG Signal Compression and Reconstruction: Down-Sampling Operation and Signal-Referenced Network», Electronics, vol. 12, no. 8, 1760, 2023. DOI: 10.3390/electronics12081760
E. Abdelhafid та ін., «ECG Arrhythmia Classification Using Convolutional Neural Network», Int. J. Emerg. Technol. Adv. Eng., vol. 12, no. 7, pp. 186–195, 2022. DOI: 10.46338/ijetae0722_19
S. Mann та R. Orglmeister, «PCA-Based ECG Lead Reconstruction», Biomed. Eng. /Biomedizinische Technik, 2013. [Online]. Available: https://doi.org/10.1515/bmt-2013-4197
L. van der Maaten and G. Hinton, "Visualizing Data using t-SNE," Journal of Machine Learning Research, vol. 9, pp. 2579–2605, Nov. 2008. [Online]. Available: https://www.jmlr.org/papers/v9/vandermaaten08a.html
K. Ranjeet, A. Kumar та R. K. Pandey, «ECG Signal Compression Using Different Techniques», in Communications in Computer and Information Science. Berlin, Heidelberg: Springer Berl. Heidelb., 2011, pp. 231–241. DOI: 10.1007/978-3-642-18440-6_29
S. R. Ommen et al., "2020 AHA/ACC Guideline for the Diagnosis and Treatment of Patients With Hypertrophic Cardiomyopathy: A Report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines," Circulation, vol. 142, no. 25, pp. e558–e631, Dec. 2020. DOI: 10.1161/CIR.0000000000000937
J. Vondrak та M. Penhaker, «Review of Processing Pathological Vectorcardiographic Records for the Detection of Heart Disease», Frontiers Physiol., vol. 13, 2022. DOI: 10.3389/fphys.2022.856590
Z. I. Attia et al., «An artificial intelligenceenabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction», Lancet, vol. 394, no. 10201, pp. 861–867, 2019.
DOI: 10.1016/s0140-6736(19)31721-0
Z. Xiong, M. P. Nash, E. Cheng, V. V. Fedorov, M. K. Stiles та J. Zhao, «ECG signal classification for the detection of cardiac
arrhythmias using a convolutional recurrent neural network», Physiolog. Meas., vol. 39, no. 9, 094006, 2018. DOI: 10.1088/1361-6579/aad9ed
Y. Liu et al., «Contrastive predictive coding with transformer for video representation learning», Neurocomputing, vol. 482, pp. 154–162, 2022. DOI: 10.1016/j.neucom.2021.11.031
Z. Zeng, J. Liu та Y. Yuan, «A Generalized Nyquist-Shannon Sampling Theorem Using the Koopman Operator», IEEE Trans. Signal Process., pp. 1–17, 2024. DOI: 10.1109/tsp.2024.3436610
D. Mochamad Reza, Satria Mandala, S. M. Zaki та E. S. L. Ming, «Deep Learning Autoencoder Study on ECG Signals», J. Nas. Tek. Elektro, pp. 82–88, 2023. DOI: 10.25077/jnte.v12n3.1117.2023
Sharanya S, Sridhar PA, Poornakala J, Muppala Vasishta та Tharani U, «Convolution Neural Network Based Ecg Classifier», Int. J. Res. Pharmaceutical Sci., vol. 10, no. 3, pp. 1626–1630, 2019. DOI: 10.26452/ijrps.v10i3.1327
Y. Huang, W. Liu, Z. Yin, S. Hu, M. Wang та W. Cai, «ECG Classification Based on Guided Attention Mechanism», Comput. Methods Programs Biomedicine, 108454, 2024. DOI: 10.1016/j.cmpb.2024.108454
C.-C. Lee, C.-C. Chuang, C.-H. Yeng, E.-C. So та Y.-J. Chen, «A Cross-Stage Partial Network and a Cross-Attention-Based Transformer for an Electrocardiogram-Based Cardiovascular Disease Decision System», Bioengineering, vol. 11, no. 6,
, 2024. DOI: 10.3390/bioengineering11060549
P. Wagner та ін., «PTB-XL, a large publicly available electrocardiography dataset», Sci. Data, vol. 7, no.1, 2020. DOI: 10.1038/s41597-020-0495-6
X. Fagan, K. Ivanko, N. Ivanushkina, «Detection of ventricular late potentials in electrocardiograms using machine learning», Advances in Computer Science for Engineering and Education III. Cham: Springer, pp. 487–497, 2020. DOI: 10.1007/978-3-030-55506-1_44
Y. Liu, Y. Wang, Y. Liu, X. Zhang, and Y. Zhang, «Variational autoencoder–based neural electrocardiogram synthesis from cardiac parameters», Digital Health, vol. 9, pp. 1–11, 2023. DOI: 10.1016/j.cvdhj.2023.12.002
J. Cai, Y. Zhang, J. Xie, Y. Gao, J. Wu, та Y. Chen, «Multi-ECGNet for ECG Arrhythmia Multi-Label Classification», IEEE Access, vol. 8, pp. 110848–110858, 2020. DOI: 10.1109/access.2020.3001284
S. R. Arekat, «Zero Phase FIR and IIR Harmonic Filtering». DOI: 10.13140/RG.2.2.23243.26400
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Мневець А.В., Іванушкіна Н. Г.
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Авторське право на публікацію залишається за авторами.
Автори можуть використовувати власні матеріали в інших публікаціях за умови посилання на збірник наукових праць "Вісник Київського політехнічного інституту. Серія ПРИЛАДОБУДУВАННЯ" як на перше місце видання та на Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» як на видавця.
Автори публікують свої статті в збірнику на умовах ліцензії Creative Commons:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії CC BY 4.0, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на динаміці цитування опублікованої роботи.
Видавець (КПІ ім. Ігоря Сікорського) має право за будь-якого використання цього видання зазначати своє ім'я або вимагати такого зазначення.
Редакційна колегія залишає за собою право розміщувати опубліковані в збірнику статті в різних інформаційних базах для надання відкритого доступу до матеріалів з метою популяризації наукових досліджень та підвищення цитованості авторів.
