Оценка влияния различных неархитектурных изменений предсказательной модели на качество классификации ЭКГ
https://doi.org/10.15514/ISPRAS-2021-33(4)-7
Аннотация
Запись и расшифровка электрокардиограммы в 12 отведениях является наиболее распространенной процедурой для определения сердечных заболеваний. В последнее время предлагаются различные методы машинного обучения для автоматической постановки диагноза по электрокардиограмме. Их задача – предоставить второе мнение для врача и помочь обнаружить патологию на ранней стадии. В статье рассматриваются методы улучшения качества автоматического определения патологий по ЭКГ: добавление метаданных пациента, уменьшение шума электрокардиограммы и самоадаптивное обучение. Также представлены результаты экспериментального исследования влияние различных ЭКГ отведений, значимости длины электрокардиограммы и объема обучающей выборки на результаты работы алгоритмов. Проведенные эксперименты показывают релевантность описываемых подходов, а также предлагают оптимальную оценку параметров входных данных.
Ключевые слова
Об авторах
Владислав Валерьевич АНАНЬЕВРоссия
Ассистент кафедры информационных технологий и систем НовГУ, сотрудник ИСП РАН
Сергей Николаевич СКОРИК
Россия
Студент бакалавриата
Всеволод Владиславович ШАКЛЕИН
Россия
Студент бакалавриата
Арам Арутюнович АВЕТИСЯН
Россия
Студент магистратуры
Юрий Эмильевич ТЕРЕГУЛОВ
Россия
Доктор медицинских наук, доцент, заведующий кафедрой функциональной диагностики, доцент кафедры госпитальной терапии, заведующий отделением функциональной диагностики
Денис Юрьевич ТУРДАКОВ
Россия
Кандидат физико-математических наук, заведующий отделом ИСП РАН, доцент МГУ
Вадим ГЛИНЕР
Израиль
Ph.D., руководитель группы
Асcаф ШУСТЕР
Израиль
Ph.D., профессор
Евгений Андреевич КАРПУЛЕВИЧ
Россия
Специалист отдела «Информационные системы»
Список литературы
1. V. Gulshan, L. Peng et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. Jama, vol. 316, issue 22, 2016, pp. 2402-2410.
2. A. Esteva, B. Kuprel et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature, vol. 542, issue 7639, 2017, pp. 115-118.
3. S. Singh, S.K. Pandey et al. Classification of ecg arrhythmia using recurrent neural networks. Procedia computer science, vol. 132, 2018, pp. 1290-1297.
4. T. Teijeiro, C. A. Garcıa et al. Arrhythmia classification from the abductive interpretation of short single-lead ecg records. In Proc. of the 2017 Computing in Cardiology (CinC), 2017, pp. 1-4.
5. J.A. Gutiérrez-Gnecchi, R. Morfin-Magaña et al. Dsp-based arrhythmia classification using wavelet transform and probabilistic neural network. Biomedical Signal Processing and Control, vol. 32, 2017, pp. 44-56.
6. M. Ramkumar, C.G. Babu et al. ECG cardiac arrhythmias classification using DWT, ICA and MLP neural networks. Journal of Physics: Conference Series, vol. 1831, 2021, article no. 012015.
7. H. Wang, H. Shi et al. A high-precision arrhythmia classification method based on dual fully connected neural network. Biomedical Signal Processing and Control, vol. 58, 2020, article no. 101874.
8. A. Krizhevsky, I. Sutskever, and G.E. Hinton. Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, vol. 25, 2012, pp. 1097-1105.
9. S. Mousavi и F. Afghah. Inter-and intra-patient ecg heartbeat classification for arrhythmia detection: a sequence to sequence deep learning approach. In Proc. of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2019, pp. 1308-1312.
10. K. N. Rajesh и R. Dhuli. Classification of imbalanced ecg beats using re-sampling techniques and adaboost ensemble classifier. Biomedical Signal Processing and Control, vol. 41, 2018, 242-254.
11. I. Goodfellow, J. Pouget-Abadie et al. Generative adversarial nets. Advances in neural information processing systems, vol. 27, 2014, pp. 2672-2680.
12. A.M. Shaker, M. Tantawi et al. Generalization of convolutional neural networks for ecg classification using generative adversarial networks. IEEE Access, vol. 8, 2020, pp. 35592-35605.
13. Y. Xia, N. Wulan et al. Detecting atrial fibrillation by deep convolutional neural networks. Computers in biology and medicine, vol. 93, 2018, pp. 84-92.
14. V. Gliner, N. Keidar et al. Automatic classification of healthy and disease conditions from images or digital standard 12-lead electrocardiograms. Scientific Reports, vol. 10, issue 1, 2020, pp. 1-12.
15. A.Y. Hannun, P. Rajpurkar et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nature medicine, vol. 25, issue 1, 2019, pp. 65-69.
16. A.H. Ribeiro, M.H. Ribeiro et al. Automatic diagnosis of the 12-lead ecg using a deep neural network. Nature communications, vol. 11, issue 1, pp. 1-9.
17. N. Strodthoff, P. Wagner, et al. Deep learning for ecg analysis: benchmarks and insights from ptb-xl. IEEE Journal of Biomedical and Health Informatics, vol. 25, issue 5, 2020, pp. 1519-1528.
18. L. Huang, C. Zhang и H. Zhang. Self-adaptive training: beyond empirical risk minimization. Advances in neural information processing systems, vol. 33, 2020, pp. 19365-19376.
Рецензия
Для цитирования:
АНАНЬЕВ В.В., СКОРИК С.Н., ШАКЛЕИН В.В., АВЕТИСЯН А.А., ТЕРЕГУЛОВ Ю.Э., ТУРДАКОВ Д.Ю., ГЛИНЕР В., ШУСТЕР А., КАРПУЛЕВИЧ Е.А. Оценка влияния различных неархитектурных изменений предсказательной модели на качество классификации ЭКГ. Труды Института системного программирования РАН. 2021;33(4):87-98. https://doi.org/10.15514/ISPRAS-2021-33(4)-7
For citation:
ANANEV V.V., SKORIK S.N., SHAKLEIN V.V., AVETISYAN A.A., TEREGULOV Yu.E., TURDAKOV D.Yu., GLINER V., SCHUSTER A., KARPULEVICH E.A. Assessment of the impact of non-architectural changes in the predictive model on the quality of ECG classification. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2021;33(4):87-98. (In Russ.) https://doi.org/10.15514/ISPRAS-2021-33(4)-7