Πολυεπίπεδη αλγοριθμική επεξεργασία ηλεκτροκαρδιογραφήματος (ΗΚΓ) για τον προσδιορισμό αρρυθμίας

• Main Author: Σεϊτανίδης, Παναγιώτης
• Other Authors: Seitanidis, Panagiotis
• Language: Greek
• Published: 2022
• Subjects: Τεχνητή νοημοσύνη; Μηχανική μάθηση; Βαθιά μάθηση; Νευρωνικά δίκτυα; Παρακολούθηση καρδιακής λειτουργίας; Αξιολόγηση καρδιακών αρρυθμιών; Συνεχής παρακολούθηση ηλεκτροκαρδιογραφήματος (ΗΚΓ) σε πραγματικό χρόνο; Ενσωματωμένα συστήματα; Ακροδικτυακή υπολογιστική; Artificial intelligence; Machine learning; Deep learning; Neural networks; Heart monitoring; Cardiac arrhythmias assessment; Real time continuous ECG monitoring; Embedded systems; Edge computing

Οι καρδιαγγειακές παθήσεις (CVD) είναι η κύρια αιτία θανάτου παγκοσμίως σε ετήσια βάση με ποσοστό 32% ή περίπου 17.9 εκατομμύρια άνθρωποι. Οι καρδιαγγειακές παθήσεις μπορεί να αναφέρονται σε διάφορες καταστάσεις, μία εκ των οποίων είναι οι καρδιακές αρρυθμίες. Υπάρχει έτσι η ανάγκη να ανιχνεύονται τέτοιες καρδιακές ανωμαλίες τη στιγμή που εμφανίζονται με συνεχή παρακολούθηση του Ηλεκτροκαρδιογραφήματος (ΗΚΓ). Η σωστή ταξινόμηση του καρδιακού παλμού από τα σήματα του Ηλεκτροκαρδιογράφου είναι θεμελιώδης για τη διάγνωση των αρρυθμιών. Ουσιαστικά το ΗΚΓ είναι μία χρονοσειρά ως αποτέλεσμα της ηλεκτρικής δραστηριότητας της καρδιάς. Διάφορες μέθοδοι έχουν επινοηθεί για την εφαρμογή της Μηχανικής και Βαθιάς Μάθησης στην ταξινόμηση αυτών των σημάτων. Σε αυτή τη διπλωματική εργασία, ο ταξινομητής σχεδιάστηκε με βάση ένα δισδιάστατο συνελικτικό νευρωνικό δίκτυο (2D-CNN). Τα ΗΚΓ σήματα της Απαγωγής II ελήφθησαν από τη δημόσια βάση δεδομένων αρρυθμιών MIT-BIH του PhysioNet και κατατμήθηκαν στους εκάστοτε καρδιακούς παλμούς. Με βάση το πρότυπο ANSI/AAMI EC57 (R2020) ορίστηκαν πέντε τύποι καρδιακών παλμών: φυσιολογικοί παλμοί (N), υπερκοιλιακοί έκτοποι παλμοί (S), κοιλιακοί έκτοποι παλμοί (V), συγχώνευση κοιλιακών και φυσιολογικών παλμών (F), παλμοί βηματοδότησης, συγχώνευση παλμού βηματοδότησης και κανονικού παλμού ή παλμοί που δεν μπορούν να ταξινομηθούν (Q). Η ανίχνευση του συμπλέγματος QRS πραγματοποιήθηκε με τον εντοπισμό των κορυφών R του ΗΚΓ με βάση τα αρχεία σχολιασμού για τις μεμονωμένες εγγραφές. Αυτά τα μονοδιάστατα τμηματοποιημένα δεδομένα μετατράπηκαν σε εικόνες της κλίμακας του γκρι για την εκπαίδευση σε βαθύ νευρωνικό δίκτυο μέσω του CNN. Στη συνέχεια, το εκπαιδευμένο μοντέλο προσαρμόστηκε σε φορμάτ ONNX (Open Neural Network Exchange Format) και ακολούθησε η μετατροπή του μέσω της πλακέτας για προγραμματιστές NVIDIA® Jetson Nano™ σε μοντέλο TensorRT, έτοιμο για εφαρμογή σε φορητές και άλλες υπολογιστικές συσκευές αιχμής. Τα αποτελέσματα δείχνουν ότι το προτεινόμενο 2D-CNN έχει συνολική ακρίβεια (accuracy) 95.2%, το mean sensitivity ήταν 95.2%, το mean specificity 98.8% και η One-vs-Rest ROC-AUC βαθμολογία 0.9897. Τα προκαταρκτικά αποτελέσματα που βασίζονται στις μετρήσεις στο Jetson Nano δείχνουν ότι η προτεινόμενη μέθοδος πέτυχε καλή απόδοση και θα ήταν χρήσιμη στην κλινική πρακτική και σε σενάρια συνεχούς παρακολούθησης.