Виявлення ішемії міокарду за допомогою зменшеної кількості відведень ЕКГ
DOI:
https://doi.org/10.20535/RADAP.2022.89.39-47Ключові слова:
ішемія міокарда, машинне навчання, кардіоцикли, кардіоінтервали, вейвлет-аналіз, площа T хвилі, кросс-валідація, виявлення захворювань серцяАнотація
Дослідження присвячено аналізу електрокардіографічних (ЕКГ) ознак для розпізнавання станів норми і ішемії міокарда у разі зменшеного набору електрокардіографічних відведень. Зокрема, для виявлення ішемії міокарда розглядаються спектральні ознаки електрокардіографічного сигналу та характеристики форми ЕКГ хвиль. В статті описані основні ознаки, які зазвичай використовуються для виявлення ішемії міокарда, а також запропоновані інші більш надійні показники для застосування у класифікаційних моделях. Детально описано підхід до попередньої обробки ЕКГ сигналу, ідентифікації необхідних сегментів сигналу і подальшого розрахунку ознак. Розглянуті ознаки засновані на площах під характерними хвилями ЕКГ сигналу і спектральних параметрах цих хвиль. Описано та обрано найбільш інформативні ознаки для виявлення ішемії міокарда, отримані з початкового набору параметрів, що призвело до зниження кількості ЕКГ відведень до 6 у порівнянні з 12 відведеннями стандартної електрокардіограми. Запропоновано методики визначення нових ознак, а саме: відношення площі під хвилею Т до площі під хвилею Р, а також відношення площі під Т хвилею до площі кардіоциклу. Ці ознаки разом з іншими розрахованими параметрами показали високу точність класифікації сигналів на норму та патологію, оскільки вони відображають біоелектричні процеси, що протікають за наявності ішемії міокарда та проявляються на поверхневій ЕКГ. Також було проведено аналіз візуалізації даних за допомогою методу головних компонент та t-розподіленого стохастичного вбудовування сусідів. Це дозволило показати розподіл даних у просторі ознак, що характеризують класи норми та патології. Дані ЕКГ сигналів у нормі та у випадку ішемії міокарда були отримані з бази даних «PTB Diagnostic ECG Database». Ця база даних містить 22353 ЕКГ сигнали з наявністю 12 ЕКГ відведеннь (I, II, III, aVR, aVL, aVF та V1–V6), зареєстрованих з високою роздільною здатностю у 290 осіб. З використанням розглянутої бази даних отримано по 10 000 кардіоциклів для класів норми та ішемії міокарда, які застосовано для побудови моделей машинного навчання. На основі отриманих ознак було виконано дослідження алгоритмів машинного навчання та розрахована точність для різних комбінацій відведень ЕКГ. В результаті перехресної перевірки, точність виявлення ішемії міокарда склала 99% зі стандартним відхиленням 0,4% для 6 відведень (I, II, III, AVR, AVL, AVF) та 93% зі стандартним відхиленням 0,12% для одного відведення (I). Таким чином, було показано, що за допомогою методів машинного навчання можна розпізнавати ішемічну хворобу міокарда з високою точністю, використовуючи шість стандартних відведень ЕКГ або лише одне відведення ЕКГ.
Посилання
References
Deal B. J. (2009). Arrhythmias in congenital heart disease. Adult Congenital Heart Disease, pp. 221–236.
Heart attack. (2022). National Heart Lung and Blood Institute.
Take an ECG with the ECG app on Apple Watch. (2022). Apple Support.
Glazunov M., Aranda A., and Galuzzi C. (2021). Optimal ECG Lead System for Automatic Myocardial Ischemia Detection. 2021 Computing in Cardiology (CinC). DOI: 10.23919/CinC53138.2021.9662763.
Wagner P., et al. (2020). PTB-XL, a large publicly available electrocardiography dataset. Scientific Data, Vol. 7, Article number: 154. DOI:10.1038/s41597-020-0495-6.
Brundage J. N., et al. (2021). Myocardial Ischemia Detection Using Body Surface Potential Mappings and Machine Learning. 2021 Computing in Cardiology (CinC). DOI: 10.23919/CinC53138.2021.9662808.
Dash S. R., Sheeraz A. S., and Samantaray A. (2018). Filtration and Classification of ECG Signals. In Handbook of Research on Information Security in Biomedical Signal Processing. IGI Global, pp. 72–94. DOI: 10.4018/978-1-5225-5152-2.ch005.
Bohara R. (2014). Trapezoidal Method Algorithm and Flowchart. CODEWITHC. The way to Programming.
Kannan P., Maheswari S., Pon Bharathi A., and Wilson A. J. (2021). Spectral and performance measures analysis of ECG signal using various transforms and different types of iir and fir filters with different orders. International Journal of Electrical Engineering and Technology (IJEET), Vol. 12, Iss. 5, pp. 96-108. DOI: 10.34218/IJEET.12.5.2021.009.
Verma A. K., Saini I., and Saini B. S. (2018). The baseline wandering noise removal from ECG signal using forward–backward Riemann Liouville fractional integral-based empirical wavelet transform approach. International Journal of Wavelets, Multiresolution and Information Processing, Vol. 16, No. 06, 1850049. doi:10.1142/S0219691318500492.
Ramkumar, M., Ganesh Babu, C., Manjunathan, A., Udhayanan, S., Mathankumar, M., and Sarath Kumar, R. (2021). A Graphical User Interface Based Heart Rate Monitoring Process and Detection of PQRST Peaks from ECG Signal. In: Smys, S., Balas, V.E., Kamel, K.A., Lafata, P. (eds) Inventive Computation and Information Technologies. Lecture Notes in Networks and Systems, Vol 173. Springer, Singapore. DOI:10.1007/978-981-33-4305-4_36.
Jolliffe I. (2022). A 50-year personal journey through time with principal component analysis. Journal of Multivariate Analysis, Vol. 188, 104820. doi:10.1016/j.jmva.2021.104820.
Sklearn.Manifold.TSNE. scikit-learn. [Online].
Kobak D. and Berens P. (2019). The art of using t-SNE for single-cell transcriptomics. Nature Communications, Vol. 10, Article number: 5416. DOI:10.1038/s41467-019-13056-x.
Machine learning. W3schools.com. [Online].
Varoquaux G., Buitinck L., Louppe G., Grisel O., Pedregosa F., and Mueller A. (2015). Scikit-learn: Machine Learning Without Learning the Machinery. GetMobile: Mobile Computing and Communications, Vol. 19, Iss. 1, pp. 29–33. doi:10.1145/2786984.2786995.
Sarkar D., Bali R., and Sharma T. (2018). Practical Machine Learning with Python: A Problem-Solver’s Guide to Building Real-World Intelligent Systems. APress, 530 p. DOI: 10.1007/978-1-4842-3207-1.
Kerrigan G., Smyth P., and Steyvers M. (2021). Combining Human Predictions with Model Probabilities via Confusion Matrices and Calibration. Cornell University, arXiv:2109.14591 [cs.LG]. doi:10.48550/arXiv.2109.14591.
Wasnik A. (2020). K-Fold Cross-Validation in Python Using SKLearn. AskPython.
Palaniappan Y., Vishanth V. A., Santhosh N., Karthika R., and Ganesan M. (2020). R - Peak Detection using Altered Pan-Tompkins Algorithm. 2020 International Conference on Communication and Signal Processing (ICCSP), Chennai, India. DOI: 10.1109/ICCSP48568.2020.9182298.
Cho Y., et al. (2020). Artificial intelligence algorithm for detecting myocardial infarction using six-lead electrocardiography. Scientific Reports, Vol. 10, Article number: 20495. DOI:10.1038/s41598-020-77599-6.
Pueyo E., Sornmo L., and Laguna P. (2008). QRS Slopes for Detection and Characterization of Myocardial Ischemia. IEEE Transactions on Biomedical Engineering, Vol. 55, No. 2, pp. 468–477. DOI: 10.1109/TBME.2007.902228.
Fernandes L. Explanation of the coefficient of variance PCA. OpenClassrooms.
Forward-Backward Filtering. Introduction to Digital Filters with Audio Applications, by Julius O. Smith III. (2007). Center for Computer Research in Music and Acoustics (CCRMA), Stanford University.
Burns E. and Cadogan M. (2022). Myocardial Ischaemia. Life in the FastLane.
Akin M. (2002). Comparison of Wavelet Transform and FFT Methods in the Analysis of EEG Signals. Journal of Medical Systems, Vol. 26, Iss. 3, pp. 241–247. DOI:10.1023/A:1015075101937.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2022 Антон Мневець, Наталія Іванушкіна, Катерина Іванько
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
