Metoda klasyfikacji cykli pracy serca wykorzystująca spektrogram wielosygnałowego zapisu EKG oraz sieci konwolucyjne z blokami rezydualnymi
Wykorzystanie bazy arytmii MIT-BIH.
TensorFlow + Keras
Zainstalować niezbędne biblioteki z requirements.txt Wystarczy użyć "make". 1. csv_ann_type.py 2. mod_csv_ann.py 3. png_spec.py 4. image_split.py 5. wstawienie spakowanych zdjęć (.zip) na "Google Drive" 6. podłączenie dysku w "Colab" i uruchomienie najnowszego Jupyter Notebook z folderu /classification
Tabela 1. Wyniki dotyczą prac, które implementują grupowanie AMII oraz wykorzystują wyłącznie bazę danych arytmii MIT-BIH.
[13] S. Chen, W. Hua, Z. Li, J. Li and X. Gao, “Heartbeat classification using projected and dynamic features of ECG signal,” Biomedical Signal Processing and Control, pp. 165-173, 2017.
[18] S. Mousavi, F. Afghah, F. Khadem and U. R. Acharya, “ECG Language Processing (ELP): a New Technique to Analyze ECG Signals,” 13 Czerwiec 2020.
[20] C. Ye, B. V. K. V. Kumar and M. T. Coimbra, “Heartbeat classification using morphological and dynamic features of ECG signals,” IEEE Transactions on Biomedical Engineering, vol. 59, no. 10, pp. 2930-2941, 2012.
[22] P. de Chazal, M. O'Dwyer and R. B. Railly, “Automatic classification of heartbeats using ECG morphology and heartbeat interval features,” IEEE Transactions on Biomedical Engineering, pp. 1196-1206, Lipiec 2004.
[37] Z. Zhang, J. Dong, X. Luo, K.-S. Choi and X. Wu, “Heartbeat classification using disease-specific feature selection,” Computers in Biology and Medicine, pp. 79-89, 1 Marzec 2014.
[38] T. Ince, S. Kiranyaz, L. Eren, M. Askar and M. Gabbouj, “Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks,” IEEE Transactions on Industrial Electronics, pp. 7067 - 7075, 28 Maj 2016.
[39] Y. Xia, N. Wulan, K. Wang and H. Zhang, “Detecting atrial fibrillation by deep convolutional neural networks,” Computers in biology and medicine,, pp. 84-92, 2018.
[40] S. M. Mathews, C. Kambhamettu and K. E. Barner, “A novel application of deep learning for single-lead ECG classification,” Computers in Biology and Medicine, pp. 53-62, 2018.
[41] K. N. V. P. S. Rajesh and R. Dhuli, “Classification of imbalanced ECG beats using re-sampling techniques and AdaBoost ensemble classifier,” Biomedical Signal Processing and Control, p. 242–254, 2018.
Trochę lepsze wyniki niż przedstawione w tabeli można uzyskać dzięki zastosowaniu transformaty falkowej podczas ekstrakcji cech. Wykorzystanie jednak tego kroku wydłuża w znacznym stopniu czas przetwarzania danych. Metoda ta została zaimplementowana jako funkcja "save_image2" w pliku "png_spec.py".
csv_ann_type.py - wyszukiwanie wzniesień w plikach testowych bazy mit-bih wykorzystując adnotacje, zapisanie pliku grupując po typach arytmii, nie ma tu odrzucania plików z małą ilością danych;
mod_csv_ann.py - korzysta na zrobionym wcześniej pliku csv wycinków sygnału, by przetworzyć sygnał i stworzyć nowe wycinki, stworzony w celu zwiększenia ilości zdjęć spektrogramów typu_F i grupy_F;
png_spec.py - tworzenie spektrogramów i zapisywanie ich jako zdjęcia o rozmiarach 220 x 220 RGB, robione jest to tylko dla wygranych (z dużą ilością przedziałów) typów bicia serca;
image_split.py - pozwala na podzielenie zdjęć na sety (train/dev/test) do późniejszego trenowania sieci neuronowej;
macierz_pomylek.py - Macierz pomyłek, ale z możliwością ustawienia zakresu koloru, przydatne gdy liczba danych w konkretnych klasach jest zróżnicowana;
file_move.py - Przenosi nadmiar zdjęć grupy N, zostawiając tylko 9k zdjęć (po 3k z każdego typu należącego do tej grupy);
sig_display.py - wyświetlenie subplotów na potrzeby pokazania i zobaczenia jak to wygląda, zdjęcia spektrogramów oraz nieprzetworzone przebiegi po wycięciu przedziałów;
load_data_train_test.py - tworzenie plików z powstałych wcześniej zdjęć spektrogramów: X_train_test.npz i y_train_test.npz, są to pliki skompresowane NumPy, pozwalają znacząco zmniejszyć rozmiar danych i nie ma już problemów z dużą ilością zdjęć oraz ich rozmiarem, w jednym pliku są dane treningowe i testowe;
create_csv_pat.py - wyszukiwanie wzniesień używając biblioteki WFDB bez uwzględnienia adnotacji;
create_csv_ann_pat.py - wyszukiwanie wzniesień w plikach testowych bazy mit-bih wykorzystując adnotacje, zapisanie pliku grupując po pacjentach;
create_jpg.py - zapisywanie stworzonych plików .CSV w formie zdjęcia, by sprawdzić na szybko poprawność wyszukania wzniesień;
OLD_create_png_spectrogram.py - przykładowe tworzenie spektrogramu używając biblioteki "signal";
load_data.py - tworzenie plików z powstałych wcześniej zdjęć spektrogramów: X_train.npz, y_train.npz, X_test.npz, y_test.npz są to pliki skompresowane NumPy, pozwalają znacząco zmniejszyć rozmiar danych i nie ma już problemów z dużą ilością zdjęć oraz ich rozmiarem;