Анализ морфологии сигнала электрокардиограммы на основе свёрточной нейронной сети

Abstract

Рассматривается анализ морфологии сигнала электрокардиограммы на основе сверточных нейронных сетей. Исходные данные для анализа морфологии формируются на этапе разбиения сигнала на кардиоциклы. Для устранения артефактов выполняется вычисление усредненного сигнала кардиоцикла, который затем подвергается вейвлет-преобразованию Хаара. Входными данными для системы распознавания являются изображения размером 200x6: 200 – количество отсчетов, составляющих кардиоцикл, 6 – количество временных масштабов вейвлет-преобразования Хаара. Данная статья является пересмотром предыдущей работы авторов. Используется прежняя размеченная обучающая выборка образцов сегментов кардиоцикла (1500 циклов): усредненный кардиоцикл и индексы начала и конца сегментов. В предыдущей работе в качестве системы распознавания использовалась оригинальная составная система из нескольких модулей. В данной работе было предложено использовать сверточную нейронную сеть с оригинальной структурой: 4 сверточных слоя, 2 полносвязных слоя, по 200 выходов для каждого из 3-х сегментов. Предложенная система распознавания показала результаты немного превосходящие предыдущую систему. Процент удовлетворительной локализации сегментов составил: P – 82.2%; QRS – 88.7%; T – 85.4%. Предложенная система эффективно решает задачу на основе стандартных блоков современных сверточных нейронных сетей. The analysis of electrocardiogram signal morphology based on convolutional neural network is considered. Input data is obtained by splitting the signal into cardiac cycles. To exclude the artefacts it is performed calculation the average cycle. The Haar wavelet transform is performed for the average cycle. The input data for the recognition system are images of size 200x6: 200 – number of counts constituting the cycle; 6 – number of Haar transform time scales. This work is a revision of the previous work of the authors. The marked sample base of cardiac cycle segments is the same (1500 cycles): the average cycle and the segments indexes. In the previous work, the original composite system consisting of several modules was used as a recognition system. In current work was proposed to use the convolutional neural network with the original structure: 4 convolutional layers; 2 dense layers; 200 outputs for every of 3 segment. The proposed recognition system showed results slightly superior to the previous system. The percent of acceptable localization of the segments was: P – 82.2%; QRS – 88.7%; T – 85.4%. The proposed system effectively solves the problem on the basis of standard modules of modern convolutional neural networks.