Виявлення нейронними мережами низькоамплітудних компонентів на ЕКГ за допомогою модифікованого вейвлет-перетворення

Автор(и)

  • А. В. Мневець Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського", м. Київ, Україна https://orcid.org/0000-0001-5448-4045
  • Н. Г. Іванушкіна Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" Київ, Україна https://orcid.org/0000-0001-8389-7906

DOI:

https://doi.org/10.20535/RADAP.2024.97.46-57

Ключові слова:

електрокардiографiя, вейвлет-перетворення, пiзнi потенцiали передсердь, пiзнi потенцiали шлуночкiв, нейроннi мережi

Анотація

Дане дослідження присвячено ідентифікації низькоамплітудних компонентів ЕКГ-сигналів різними методами частотно-часового аналізу, коли основний спектр потужності припадає на високоамплітудні компоненти. Також було проаналізовано проблему вибору системи масштабів для визначення низькоамплітудних компонентів на скейлограмі за допомогою моделей штучного інтелекту. Як результат дослідження, були запропоновані кілька модифікацій безперервного вейвлет-перетворення. Перша модифікація базується на використанні масштабувальної функції та модифікованого вейвлета. Друга модифікація базується на використанні косинусної подібності на кожній ітерації згортки з подальшим застосуванням масштабувальної функції. Основна ідея дослідження полягає в тому, щоб модифікувати вейвлет-перетворення таким чином, щоб виділити компоненти з цільовою амплітудою та зменшити всі інші компоненти, які ускладнюють аналіз цікавлячих фрагментів сигналу нейронними мережами. Також були запропоновані можливі процедури відновлення сигналу для збереження ефекту використання масштабувальних модифікацій. Тестування запропонованих модифікованих алгоритмів було проведено на основі штучно створених сигналів, а також на основі реальних сигналів ЕКГ з накладеними на них пізніми потенціалами. Візуальний аналіз скейлограм та відновлених сигналів, отриманих за допомогою модифікованого вейвлет-перетворення, показав, що модифіковане вейвлет-перетворення здатне виділяти низькоамплітудні компоненти зі сигналу з набагато більшою спектральною потужністю, ніж перетворення без модифікацій. Крім того, була перевірена здатність загальних моделей нейронних мереж розрізняти серцеві цикли з пізніми потенціалами та без них. У результаті було виявлено, що моделі, які тренувалися на скейлограмах, отриманих за допомогою модифікованого вейвлет-перетворення, навчаються швидше і менш схильні до застрягання в локальних мінімумах. Результати класифікації сигналів з пізніми потенціалами та без них на основі натренованих моделей нейронних мереж показали, що навчання за допомогою скейлограм, отриманих на основі модифікованого вейвлет-перетворення, дозволяє досягти 99% точності класифікації, що на 1-49% більше, ніж при використанні скейлограм, отриманих на основі класичного вейвлет-перетворення.

Посилання

References

Hu Y., Zhao Y., Liu J., Pang J., Zhang C., and Li P. (2020). An effective frequency-domain feature of atrial fibrillation based on time–frequency analysis. BMC Med. Inform. Decis. Making, Vol. 20, No. 1, DOI: 10.1186/s12911-020-01337-1.

Ceschi R., Gautier J.-L. (2017). Fourier Transform. CHAPTER 2 In: Fourier Analysis. Wiley, pp. 39-96, DOI: 10.1002/9781119388944.ch2.

Borisagar K. R., Thanki R. M., and Sedani B. S. (2018). Fourier Transform, Short-Time Fourier Transform, and Wavelet Transform. In: Speech Enhancement Techniques for Digital Hearing Aids. Springer International Publishing, pp. 63-74. DOI: 10.1007/978-3-319-96821-6_4.

Lyon D. (2009). The Discrete Fourier Transform, Part 4: Spectral Leakage. J. Object Technol., Vol. 8, No. 7, p. 23. DOI: 10.5381/jot.2009.8.7.c2.

Athanassoulis A. G., Mauser N. J., and Paul T. (2009). Coarse-scale representations and smoothed Wigner transforms. J. de Mathématiques Pures et Appliquées, Vol. 91, No. 3, pp. 296-338. DOI: 10.1016/j.matpur.2009.01.001.

Addison P. S. (2005). Wavelet transforms and the ECG: a review. Physiol. Meas., Vol. 26, No. 5, pp. R155-R199. DOI: 10.1088/0967-3334/26/5/r01.

Saito D. et al. (2022). Atrial late potentials are associated with atrial fibrillation recurrence after catheter ablation. J. Arrhythmia, Vol. 38, Iss. 6, pp. 991-996. DOI: 10.1002/joa3.12786.

Prabhu K. M. M. (2018). Review of Window Functions. Chapter in: Window Functions and Their Applications in Signal Processing. CRC Press, pp. 87-127. DOI: 10.1201/9781315216386-3.

O'Toole J. M. and Boashash B. (2013). Fast and memory-efficient algorithms for computing quadratic time–frequency distributions. Appl. Comput. Harmon. Anal., Vol. 35, No. 2, pp. 350-358. DOI: 10.1016/j.acha.2013.01.003.

Tanaka T. and Mandic D. P. (2007). Complex Empirical Mode Decomposition. IEEE Signal Process. Lett., Vol. 14, No. 2, pp. 101-104. DOI: 10.1109/lsp.2006.882107.

Huang N., Wu Z., and Long S. (2008). Hilbert-Huang transform. Scholarpedia, Vol. 3, No. 7, p. 2544. DOI: 10.4249/scholarpedia.2544.

Hassani H. (2021). Singular Spectrum Analysis: Methodology and Comparison. J. Data Sci., Vol. 5, No. 2, pp. 239-257. DOI: 10.6339/jds.2007.05(2).396.

Li S., Ma S., and Wang S. (2023). Optimal Complex Morlet Wavelet Parameters for Quantitative Time-Frequency Analysis of Molecular Vibration. Appl. Sci., Vol. 13, No. 4, p. 2734. DOI: 10.3390/app13042734.

Vrhel M. J., Lee C., and Unser M. A. (1995). Fractal dimension estimation using the fast continuous wavelet transform. In SPIE's 1995 Int. Symp. Opt. Sci., Eng., Instrum., SPIE. DOI: 10.1117/12.217603.

Moody G. B. and Mark R. G. (1990). The MIT-BIH Arrhythmia Database on CD-ROM and software for use with it. In [1990] Comput. Cardiol., IEEE Computer Society Press. DOI: 10.1109/cic.1990.144205.

Wang X., Ma C., Zhang X., Gao H., Clifford G. D., and Liu C. (2021). Paroxysmal Atrial Fibrillation Events Detection from Dynamic ECG Recordings (version 1.0.0). PhysioNet. DOI: 10.13026/ksya-qw89.

Benesty J., Chen Jingdong, and Huang Yiteng (2008). On the Importance of the Pearson Correlation Coefficient in Noise Reduction. IEEE Trans. Audio, Speech, Lang. Process., Vol. 16, No. 4, pp. 757-765. DOI: 10.1109/tasl.2008.919072.

Chou E. P. and Hsu S.-M. (2018). Cosine similarity as a sample size-free measure to quantify phase clustering within a single neurophysiological signal. J. Neurosci. Methods, Vol. 295, pp. 111-120. DOI: 10.1016/j.jneumeth.2017.12.007.

Stojanovic M. et al. (2014). Understanding sensitivity, specificity and predictive values. Vojnosanit. Pregl., Vol. 71, No. 11, pp. 1062-1065. DOI: 10.2298/vsp1411062s.

Albardi F., Kabir H. M. D., Bhuiyan M. M. I., Kebria P. M., Khosravi A., and Nahavandi S. (2021). A Comprehensive Study on Torchvision Pre-trained Models for Fine-grained Inter-species Classification. In 2021 IEEE Int. Conf. Syst., Man, Cybern. (SMC). DOI: 10.1109/smc52423.2021.9659161.

Lee H. K. and Choi Y.-S. (2019). Application of Continuous Wavelet Transform and Convolutional Neural Network in Decoding Motor Imagery Brain-Computer Interface. Entropy, Vol. 21, No. 12, p. 1199. DOI: 10.3390/e21121199.

Fagan X., Ivanko K., and Ivanushkina N. (2020). Detection of Ventricular Late Potentials in Electrocardiograms Using Machine Learning. In Advances in Computer Science for Engineering and Education III, Springer International Publishing, pp. 487-497. DOI: 10.1007/978-3-030-55506-1_44.

Kalidas V. and Tamil L. (2017). Real-time QRS detector using Stationary Wavelet Transform for Automated ECG Analysis. 2017 IEEE 17th Int. Conf. Bioinf. Bioeng. (BIBE), IEEE. DOI: 10.1109/bibe.2017.00-12.

Kingma D. P. and Ba J. (2014). Adam: A Method for Stochastic Optimization. arXiv:1412.6980 [cs.LG]. DOI: 10.48550/arXiv.1412.6980.

##submission.downloads##

Опубліковано

2024-09-30

Як цитувати

Mnevets , A. V. і Ivanushkina, N. G. (2024) «Виявлення нейронними мережами низькоамплітудних компонентів на ЕКГ за допомогою модифікованого вейвлет-перетворення», Вісник НТУУ "КПІ". Серія Радіотехніка, Радіоапаратобудування, (97), с. 46-57. doi: 10.20535/RADAP.2024.97.46-57.

Номер

Розділ

Радіоелектроніка біомедичних технологій

Статті цього автора (авторів), які найбільше читають