350 руб
Журнал «Биомедицинская радиоэлектроника» №1 за 2020 г.
Статья в номере:
Применение нейросетей и алгоритмов машинного обучения с целью диагностики сердечно-сосудистых заболеваний на основе сигналов СКГ
DOI: 10.18127/j15604136-202001-01
УДК: 004.891.3
Ключевые слова: Сейсмокардиография диагностика состояний сердечно-сосудистой системы нейронные сети машинное обучение сверточные нейросети
Авторы:

Н.С. Коннова – к.т.н., доцент, Московский государственный технический университет им. Н.Э. Баумана

E-mail: nkonnova@bmstu.ru

В.Ю. Хаперская – аспирант, Московский государственный технический университет им. Н.Э. Баумана

E-mail: lynx.lg@gmail.com

Аннотация:

Постановка проблемы. Заболевания сердечно-сосудистой системы являются основной причиной смертности по всему миру. Для того, чтобы уменьшить смертность и улучшить продолжительность и качество жизни людей с заболеваниями сердца, необходимы более совершенные инструменты диагностики, которые предоставят возможность своевременного обнаружения и предотвращения заболеваний.

Цель работы – провести сравнение различных алгоритмов машинного обучения (метод ближайших соседей, метод опорных векторов, деревья решений, ансамбль моделей) и нейросетей: основанной на архитектуре долгой краткосрочной памяти и сверточной. 

Результаты. В связи с появлением новых устройств для записи сигналов и развитием алгоритмов машинного обучения появилась возможность использовать сигналы сейсмокардиографии (СКГ) для диагностики заболеваний сердечнососудистой системы. Недавние исследования показали потенциальную клиническую пользу СКГ для диагностики и наблюдения определенных заболеваний сердца.

Введены метрики оценивания получаемых результатов, поставлен оригинальный численный эксперимент с использованием разработанного программно-математического обеспечения, в рамках которого были реализованы упомянутые методы и алгоритмы. Оценена эффективность рассмотренных моделей для решения задачи диагностики заболеваний сердечно-сосудистой системы. Для сравнения эффективности классификаторов приведены оценки Accuracy, Error, Sensitivity, Specificity, Precision, FP Rate, F1-мера. При этом классификаторы протестированы как на наборах данных с целью определить возможности методов «узнавать» пациента в зависимости от положения тела, психофизиологического состояния и т.д. (сигнал его СКГ будет отличаться от изначально записанного сигнала, поэтому важно проверить, способен ли распознаватель правильно классифицировать сигналы, записанные при различных условиях), так и, к примеру, до и после лечения, для проверки эффективности тех же алгоритмов в задаче диагностики. Для каждого алгоритма и набора данных были построены матрицы ошибок и ROC-кривые. При проведении исследования также большое внимание было уделено подготовке и предварительной обработке данных.

Практическая значимость. В результате представленных в статье исследований показана эффективность сверточных нейросетей в задаче диагностики заболеваний сердца по данным сейсмокардиографии.

Страницы: 5-20
Список источников
  1. Konnova N.S., Basarab M.A. Application of neural networks in cardiovascular decision support systems // Proc. of 7th International Conference on Advances in Computing, Electronics and Communication (ACEC 2018). 2018. P. 73–78. DOI: 10.15224/978-1-63248-157-3-27.
  2. Konnova N.S., Basarab M.A., Basarab D.A. Image processing using artificial intelligence methods in cardiovascular decision support systems // Proc. of SPIE V. 10836. 2018. International Conference on Image and Video Processing, and Artificial Intelligence. 2018. 108361U-1. DOI: 10.1117/12.2515343.
  3. Gamage P.T., Khurshidul. Azad M., Taebi A., Sandler R.H., Mansy H.A. Clustering Seismocardiographic Events using Unsupervised Machine Learning // IEEE Signal Processing in Medicine and Biology Symposium (SPMB). 2018. P. 1–5. DOI: 10.1109/SPMB.2018.8615615.
  4. Solar B.E., Taebi A., Mansy H.A. Classification of seismocardiographic cycles into lung volume phases // IEEE Signal Processing in Medicine and Biology Symposium (SPMB). 2017. P. 1–2. DOI: 10.1109/SPMB.2017.8257033.
  5. Yao J., Tridandapani S., Auffermann W.F., Wick C.A., Bhatti P.T. An Adaptive Seismocardiography (SCG)-ECG Multimodal Framework for Cardiac Gating Using Artificial Neural Networks // IEEE Journal of Translational Engineering in Health and Medicine. 2018. V. 6. 1900611. DOI: 10.1109/JTEHM.2018.2869141.
  6. Qurraie S.S., Afkhami R.G. ECG arrhythmia classification using time frequency distribution technique // Biomedical Engineering Letters. 2017. V. 7. P. 325–332. DOI 10.1007/s13534-017-0043-2.
  7. Sodmann P., Vollmer M., Nath N., Kaderali L. A convolutional neural network for ECG annotation as the basis for classification of cardiac rhythms // Physiological Measurement. 2018. DOI: 10.1088/1361-6579/aae304.
  8. Weems A., Harding M., Choi A. Classification of the ECG Signal Using Artificial Neural Network // Institute of Physics and Engineering in Medicine Physiological Measurement. 2018. V. 39. № 10. P. 545–555. DOI 10.1007/978-3-319-17314-6_70.
  9. Babušiak B., Mohylová J. The EEG signal prediction by using neural network // Advances in Electrical and Electronic Engineering. 2008. V.7. P. 342–345. 
  10. Rajpurkar P., Hannun A.Y., Haghpanahi M, Bourn C., Ng A.N. Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks // Nature Medicine. 2019. № 25. P. 65–69. DOI:10.1038/s41591-018-0268-3.
  11. Shafiq G., Tatinati S., Ang W.T., Veluvolu K.C. Automatic Identification of Systolic Time Intervals in Seismocardiogram // Scientific Reports. 2016. № 6. 37524. DOI: 10.1038/srep37524.
  12. Ghongade R., Ratnaparkhi A., Joshi D. Artificial neural network based electrocardiogram pattern recognition // Third International Conference on Computational Intelligence and Information Technology (CIIT 2013). 2013. P. 305–312. DOI: 10.1049/cp.2013.2606.
  13. Gamage P.T., Azad M.K., Taebi A., Sandler R.H., Mansy H.A. Clustering SCG Events using Unsupervised Machine Learning // IEEE Signal Processing in Medicine and Biology Symposium (SPMB). 2018. P. 1–5. DOI: 10.1109/SPMB.2018.8615615.
  14. Solar B.E., Taebi A., Mansy H.A. Classification of Seismocardiographic Cycles into Lung Volume Phases // IEEE Signal Processing in Medicine and Biology Symposium (SPMB). 2017. P. 1–2. DOI: 10.1109/SPMB.2017.8257033.
  15. Zakeri V., Tavakolian K. Identification of Respiratory Phases Using Seismocardiogram: A Machine Learning Approach // Computing in Cardiology Conference (CinC). 2015. P. 305–308. DOI: 10.1109/CIC.2015.7408647.
  16. García-González M.A., Argelagós-Palau A., Fernández-Chimeno M., Ramos-Castro J.A. Comparison of heartbeat detectors for the seismocardiogram // Computing in Cardiology. 2013. № 40. P. 461–464. 
  17. García-González M.A., Argelagós-Palau A., Fernández-Chimeno M., Ramos-Castro J. Differences in QRS Locations due to ECG Lead: Relationship with Breathing // XIII Mediterranean Conference on Medical and Biological Engineering and Computing. IFMBE Proceedings. 2014. V. 41. P. 962–964. DOI: 10.1007/978-3-319-00846-2_238. 
  18. Goldberger A.L., Amaral L.A.N., Glass L., Hausdorff J.M., Ivanov P.Ch., Mark R.G., Mietus J.E., Moody G.B., Peng C.-K., Stanley H.E. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals // Circulation. 2003. № 101(23). P. e215–e220.
  19. Achildiev V.M., Soldatenkov V.A., Bedro N.A., Gruzevich Yu.K., Evseeva Yu.N., Levkovich A.D., Basarab M.A., Konnova N.S. Cardioseismometer unit based on micromechanical sensors // Proc. of 25th Anniversary Saint Petersburg International Conference on Integrated Navigation Systems. 2018. P. 272–281.
  20. Konnova N., Basarab M., Khachatryan M., Domracheva A., Ivanov I. Convolutional neural networks application in cardiovascular decision support systems // Proc. SPIE 11321. International Conference on Image and Video Processing, and Artificial Intelligence. 2019. DOI: 10.1117/12.2548193.
  21. Gaikwad K.M., Chavan M.S. Removal of high frequency noise from ECG signal using digital IIR Butterworth filter // IEEE Global Conference on Wireless Computing & Networking (GCWCN). 2014. P. 121–124. DOI: 10.1109/GCWCN.2014.7030861.
  22. Konnova N.S., Basarab M.A., Basarab D.A., Minin D.V., Achildiev V.M., Soldatenkov V.A., Bedro N.A., Gruzevich Yu.K., Evseeva Yu.N., Levkovich A.D., Komarova M.N. Preparation and application of electrosemocardiography data for diagnostics of the human cardiovascular system state // Journal Neurocomputers. 2019. № 1. P. 52–67.
  23. Mateo C., Talavera J. Short-Time Fourier Transform with the Window Size Fixed in the Frequency Domain // Digital Signal Processing. 2018. P. 13–21. DOI:10.1016/j.dsp.2017.11.003.
  24. Najmi A.-H., Sadowsky J., Morlet O. The Continuous Wavelet Transform and Variable Resolution Time-Frequency Analysis // Johns Hopkins apl technical digest. 1997. V. 18. № 1. P. 134–140. 
  25. O’Toole J., Mesbah M., Boashash B. A Discrete Time and Frequency Wigner-Ville Distribution: properties and Implementation // 8th International Symposium on DSP and Communication Systems, Noosa, Queensland, Australia. 2005.
  26. Mann S., Haykin S. The chirplet transform: physical considerations // IEEE Transactions on Signal Processing. 1995. V. 43.  № 11. P. 2745–2761. DOI:10.1109/78.482123.
  27. Vonesch C., Blu T., Unser M. Generalized Daubechies wavelet families // IEEE Transactions on Signal Processing. 1997. V. 55. № 9. P. 4415–4429.
  28. Pan J., Tompkins W.J. A real-time QRS detection algorithm // IEEE Transactions on Biomedical Engineering. 1985. V. BME-32. P. 230–236.
  29. Cunningham P., Delany S. k-Nearest neighbour classifiers // Multiple Classifier Systems. 2007. P. 1–17.
  30. Evgeniou T., Pontil M. Support Vector Machines: Theory and Applications // Machine Learning and Its Applications. 2001. LNCS. V. 2049. P. 249–257. DOI:10.1007/3-540-44673-7_12.
  31. Rokach L., Maimon O. Decision Trees // In: Maimon O., Rokach L. Data Mining and Knowledge Discovery Handbook. Springer, Boston, MA. 2005. P. 165–192. DOI:10.1007/0-387-25465-X_9.
  32. Chawla N., Eschrich S., Hall L. Creating Ensembles of Classifiers // IEEE International Conference on Data Mining. 2002.  P. 580–581.
  33. Sherstinsky A. Fundamentals of Recurrent Neural Network and Long Short-Term Memory Network. 2018.
  34. Albawi S., Mohammed T.A., Al-Zawi S. Understanding of a convolutional neural network // International Conference on Engineering and Technology. 2017. P. 1–6. DOI:10.1109/ICEngTechnol.2017.8308186.
  35. Chinchor N. MUC-4 Evaluation Metrics // Proc. of the Fourth Message Understanding Conference. 1992. P. 22–29.
  36. Sasaki Y. The truth of the F-measure // Teach Tutor Mater. 2007. V. 1(5). P. 1–5.
  37. Powers D. Evaluation: From Precision, Recall and F-Factor to ROC. Informedness, Markedness & Correlation // Journal of Machine Learning Technologies. 2011. V. 2. Is. 1. P. 37–63. DOI:10.9735/2229-3981.
  38. Basarab M.A., Konnova N.S., Basarab D.A. Compression and Analysis of Ultrasonic Doppler Blood Flow Meter Data by the Discrete Chebyshev Transform // Proceedings of PIERS 2019 in Roma. 2019. In press.
Дата поступления: 21 февраля 2020 г.