Tự động phân loại tín hiệu ECG sử dụng mô hình học sâu

Nghiên cứu này đề xuất một mô hình học sâu kết hợp giữa mạng tích chập dày đặc (DenseNet) với mạng bộ nhớ dài-ngắn song song (BiLSTM) có số lượng tham số nhỏ vào phân loại tín hiệu ECG. Mô hình đề xuất được kiểm thử trên cơ sở dữ liệu mở bao gồm 827 bản ghi ECG.
Nội dung trích xuất từ tài liệu:
Tự động phân loại tín hiệu ECG sử dụng mô hình học sâu TNU Journal of Science and Technology 228(15): 79 - 87AUTOMATIC CLASSIFICATION OF ECG USING DEEP LEARNING MODELHoang Van Manh*, Do Nam, Pham Manh ThangUniversity of Engineering and Technology - Vietnam National University, Hanoi ARTICLE INFO ABSTRACT Received: 24/8/2023 Early detection of cardiovascular diseases through ECG signals has played an important role in the treatment process for patients. The Revised: 17/10/2023 application of artificial intelligence to develop an automatic method of Published: 17/10/2023 classifying ECG signals with high accuracy and reliability to help reduce the time of diagnosis is an inevitable requirement. This studyKEYWORDS proposes a deep learning model that combines a Densely Connected Convolutional Networks (DenseNet) with a Bidirectional Long Short-ECG Term Memory Networks (BiLSTM) with a small number of parametersDenseNet into the ECG signal classification. The proposed model is evaluated on an open database consisting of 827 ECG records. Although the studyBiLSTM only uses a small amount of data for the training process, the proposedDeep learning model still gives good results, in particularly, F1 scores correspondingArtificial intelligence to the types of right bundle branch block, left bundle branch block and sinus bradycardia are 0.831, 0.846 and 0.882 respectively. The obtained results can serve as a basis for further studies applying on devices with limited resources.TỰ ĐỘNG PHÂN LOẠI TÍN HIỆU ECG SỬ DỤNG MÔ HÌNH HỌC SÂUHoàng Văn Mạnh*, Đỗ Nam, Phạm Mạnh ThắngTrường Đại học Công nghệ - ĐH Quốc gia Hà Nội THÔNG TIN BÀI BÁO TÓM TẮT Ngày nhận bài: 24/8/2023 Phát hiện sớm các chứng bệnh liên quan tới tim mạch thông qua tín hiệu ECG đã và đang đóng một vai trò quan trọng trong quá trình điều Ngày hoàn thiện: 17/10/2023 trị cho người bệnh. Việc ứng dụng trí tuệ nhân tạo vào phát triển một Ngày đăng: 17/10/2023 phương pháp tự động phân loại tín hiệu ECG có độ chính xác và tin cậy cao giúp giảm thiểu thời gian chẩn đoán là yêu cầu tất yếu. Nghiên cứuTỪ KHÓA này đề xuất một mô hình học sâu kết hợp giữa mạng tích chập dày đặc (DenseNet) với mạng bộ nhớ dài-ngắn song song (BiLSTM) có sốĐiện tâm đồ lượng tham số nhỏ vào phân loại tín hiệu ECG. Mô hình đề xuất đượcDenseNet kiểm thử trên cơ sở dữ liệu mở bao gồm 827 bản ghi ECG. Mặc dùBiLSTM nghiên cứu chỉ sử dụng số lượng nhỏ dữ liệu cho quá trình huấn luyện nhưng mô hình đề xuất vẫn cho kết quả tốt cùng điểm số F1 tương ứngHọc sâu với các loại bệnh block nhánh phải, block nhánh trái và hội chứng nhịpTrí tuệ nhân tạo chậm xoang lần lượt là 0,831; 0,846 và 0,882. Kết quả đạt được có thể làm cơ sở có các nghiên cứu tiếp theo ứng dụng trên các thiết bị có nguồn tài nguyên hạn chế.DOI: https://doi.org/10.34238/tnu-jst.8628* Corresponding author. Email: manhhv87@vnu.edu.vnhttp://jst.tnu.edu.vn 79 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 228(15): 79 - 871. Giới thiệu Phát hiện sớm để có thể chăm sóc và điều trị kịp thời cho bệnh nhân là vô cùng quan trọng. Sựra đời của các thiết bị điện tử theo dõi di động có thể dùng để theo dõi liên tục hoạt động của timđã hỗ trợ đắc lực cho các bệnh nhân. Tuy nhiên, các thiết bị này không có khả năng giải thích tínhiệu điện tim (ECG) mà đó là công việc của các bác sĩ, y tá hoặc các nhân viên y tế có chuyênmôn. Công việc này phụ thuộc đáng kể vào kiến thức và kinh nghiệm của chuyên gia y tế. Điềunày đôi khi dẫn tới nhầm lẫn kết quả phân tích và chẩn đoán bệnh [1], [2]. Để khắc phục vấn đềnày đã có nhiều nghiên cứu chuyên sâu về phát triển các phương pháp đáng tin cậy cho phépphân loại tín hiệu ECG một cách tự động. Để tạo cảm hứng phát triển các phương pháp tiếp cận tự động phân loại rối loạn nhịp tim dựavào tí ...