Моделі сіамських нейронних мереж для класифікації серцевих аритмій за умов нестачі тренувальних ЕКГ сигналів

Анотація

Стаття присвячена створенню моделей сіамських нейронних мереж для класифікації ЕКГ-сигналів, що відображають серцево-судинні патології, зокрема аритмії, в умовах обмеженої кількості тренувальних даних. Проблема дефіциту навчальних зразків у машинному навчанні для діагностики серцевих захворювань пов’язана з великою різноманітністю патологічних станів і недостатньою інформацією для окремих класів у відкритих медичних базах даних. Дослідження спрямоване на розробку комплексного методу, який ґрунтується на поєднанні методів електрокардіографії високого розрізнення та векторкардіографії з архітектурами та методами навчання сіамських нейронних мереж, що дає можливість підвищити точність класифікації серцевих аритмій. Особливість запропонованого метода, яка базується на здатності сіамських НМ до порівняння, полягає у виявленні та аналізі відмінностей між ЕКГ сигналом, що досліджується, та сформованим еталонним вектором ознак сигналів з патологією, що дозволяє ефективно ідентифікувати зміни сигналів навіть для тих захворювань, які обмежено-представлені в навчальному наборі даних. Крім того, для підвищення ефективності навчання був розроблений метод формування еталонного вхідного вектора ознак захворювання, який використовується сіамською нейронною мережею для порівняння. Застосування методу головних компонент (PCA) дозволило виділити ключові ознаки зі 100 ЕКГ-сигналів із патологіями, що сприяло створенню еталонного вектора ознак із мінімальною кількістю тренувальних зразків. Додатково для кожного вхідного ЕКГ-сигналу та еталонного вектора розраховувався усереднений кардіоцикл, що сприяло ідентифікації низькоамплітудних компонентів ЕКГ та особливостей QRS комплексу. Для реалізації розробленого комплексного методу використовувалася база PTB-XL, що містить 12-канальні ЕКГ-записи, класифіковані за 70 категоріями захворювань. Для зменшення впливу дисбалансу даних застосовано методи аугментації, а також методи попередньої обробки шляхом видалення зашумлених сигналів та вибіркове скорочення надмірно представлених класів. В рамках дослідження розроблено дві моделі сіамських нейронних мереж. Перша модель орієнтована на виявлення низькоамплітудних патологічних компонент ЕКГ сигналів, зокрема пізніх потенціалів передсердь та шлуночків. Друга модель, призначена для класифікації 18 типів аритмій і 19 супутніх патологій, таких як ішемічна хвороба серця, гіпертрофія та інфаркт міокарда. Ефективність запропонованих моделей НМ була оцінена шляхом порівняння з мережею «ECGnet» у задачі розпізнавання пізніх потенціалів передсердь і шлуночків. Перша модель перевищила точність «ECGnet» у середньому на 10% та зменшила ймовірність хибнонегативних прогнозів. Друга модель НМ для багатокласової класифікації, яка охоплювала 37 діагностичних класів з рідкісними захворюваннями, що мають менше, ніж 200 спостережень, перевищила середню точність «ECGnet» на 10%, досягаючи максимального приросту в 28%. Отримані результати дозволяють окреслити подальші шляхи вдосконалення комплексного методу. Зокрема, підвищення точності класифікації ЕКГ сигналів з патологіями можливе шляхом використання додаткових перетворень вхідних ознак та методів підсилення низькоамплітудних компонент сигналу.