HAN-ECG: یک مدل تشخیص فیبریلاسیون دهلیزی قابل تفسیر با استفاده از شبکه های توجه سلسله مراتبی ☆

فیبریلاسیون دهلیزی (AF) یکی از شایع ترین آریتمی های قلبی است که زندگی بسیاری از مردم را در سراسر جهان تحت تاثیر قرار می دهد و با افزایش پنج برابری خطر سکته مغزی و مرگ و میر همراه است. مانند سایر مشکلات در حوزه مراقبت های بهداشتی، مدل های مبتنی بر هوش مصنوعی (AI) برای تشخیص AF از سیگنال های ECG بیماران استفاده شده است. عملکرد سطح متخصص قلب در تشخیص این آریتمی اغلب با روش های مبتنی بر یادگیری عمیق به دست می آید، با این حال، آنها از عدم تفسیرپذیری رنج می برند. به عبارت دیگر، این رویکردها قادر به توضیح دلایل تصمیمات خود نیستند. فقدان تفسیرپذیری یک چالش رایج برای کاربرد گسترده رویکردهای مبتنی بر یادگیری ماشین (ML) در مراقبت های بهداشتی است که اعتماد پزشکان را به چنین روش هایی محدود می کند. برای پرداختن به این چالش، ما HAN-ECG را پیشنهاد می کنیم، یک رویکرد مبتنی بر شبکه عصبی دو جهته-عودکننده قابل تفسیر برای کار تشخیص AF. HAN-ECG از سه سطح مکانیسم توجه برای ارائه تجزیه و تحلیل چند وضوحی از الگوهای ECG منجر به AF استفاده می کند. الگوهای شناسایی شده توسط این مدل توجه سلسله مراتبی، تفسیر فرآیند تصمیم گیری شبکه عصبی را در شناسایی الگوهای موجود در سیگنال که بیشترین کمک را به تشخیص نهایی داشتند، تسهیل می کند. نتایج تجربی روی دو پایگاه داده AF نشان می دهد که مدل پیشنهادی ما بهتر از الگوریتم های موجود عمل می کند. تجسم این لایه های توجه نشان می دهد که مدل پیشنهادی ما در مورد امواج و ضربان های مهم قلب که از نظر بالینی در کار تشخیص معنادار هستند تصمیم می گیرد (به عنوان مثال، عدم وجود امواج P، و فواصل نامنظم R-R برای کار تشخیص AF).

معرفی

فیبریلاسیون دهلیزی (AF) یک آریتمی شایع قلبی است که می تواند منجر به عوارض مختلف مرتبط با قلب مانند سکته، نارسایی قلبی و ترومبوز دهلیزی شود [6]. الکتروکاردیوگرافی آزمایشی است که فعالیت الکتریکی قلب را در یک دوره خاص اندازه گیری می کند. خروجی تست یک سیگنال الکتروکاردیوگرام (ECG) است که نمودار ولتاژ در برابر زمان است. یک راه تشخیص غیرتهاجمی رایج برای تشخیص AF، فرآیند سیگنال نوار قلب (ECG) ثبت شده به صورت بصری توسط متخصص قلب یا پزشک است. با این حال، این یک فرآیند زمان بر است و در معرض خطای انسانی است.

بنابراین ، ده ها روش به کمک رایانه برای تشخیص خودکار فیبریلاسیون دهلیزی و سایر آریتمی های قلب ایجاد شده است. روشهای مبتنی بر ML موجود شامل رویکردهای مبتنی بر ویژگی و اتوماتیک مبتنی بر ویژگی های مبتنی بر ویژگی در راه حل های آنها است [1،2،8،13،14،21،31،34،34،35]. در میان آنها ، روشهایی که ویژگی ها را به طور خودکار استخراج می کنند ، توجه بیشتری را به خود جلب کرده اند زیرا می توانند بازنمایی سیگنال ECG را به طور کارآمد بیاموزند و به نتایج پیشرفته ای برسند.

مدل های یادگیری عمیق با قابلیت استخراج ویژگی اتوماتیک عملکرد قابل توجهی در کار تشخیص AF را نشان می دهد و با توجه به توانایی آنها در تشخیص الگوهای پیچیده در سیگنال های ECG [26،33]. با این وجود ، آنها به عنوان جعبه های سیاه کار می کنند که درک دلایل تصمیمات آنها را دشوار می کند. تفسیر و شفافیت از عوامل کلیدی در تصمیم گیری مبتنی بر هوش مصنوعی در مراقبت های بهداشتی برای فعال کردن و ترغیب پزشکانی که برای تصمیم گیری های پزشکی برای اعتماد به توصیه های این الگوریتم ها پاسخگو هستند ، هستند. یکی از راه های تفسیر مدل های یادگیری عمیق ، ترکیب مکانیسم توجه در مدل است که رابطه بین نمونه های داده های ورودی و کار داده شده را می آموزد [16].

در این مطالعه ، برای ارائه یک روش قابل تفسیر با عملکرد بالا برای تشخیص خودکار فیبریلاسیون دهلیزی ، ما یک مدل یادگیری عمیق را ارائه می دهیم که توسط شبکه های توجه سلسله مراتبی طراحی شده است. روش پیشنهادی از سه بخش تشکیل شده است که در آن هر قسمت شامل یک شبکه عصبی مکرر دو طرفه (Bin) است که به دنبال آن یک مدل توجه است. قسمت اول بازنمایی سطح موج از سیگنال ECG را می آموزد ، قسمت دوم بازنمایی سطح ضربان قلب از سیگنال ECG را می آموزد و قسمت سوم یک نمایشگاه مبتنی بر پنجره (یعنی حاوی ضربان قلب های متعدد) را می آموزد. تمام بازنمایی های آموخته شده در هر سطح قابل تفسیر هستند و قادر به نشان دادن کدام قسمت از سیگنال ورودی هستند دلایل ایجاد یک رویداد AF است.

مدل توجه سلسله مراتبی برای اولین بار در Ref ارائه شد.[32] در محتوای وظیفه طبقه بندی اسناد ، به عنوان یک معماری توجه سلسله مراتبی جدید که با ماهیت سلسله مراتبی یک سند مطابقت دارد ، به این معنی که کلمات جملات و جملات را تشکیل می دهند. از آنجا که در برنامه تجزیه و تحلیل ECG ، ما با یک مفهوم مشابه از ورودی سلسله مراتبی که در آن سیگنال ECG شامل چندین وضوح (امواج ، ضربان و پنجره ها) است ، سروکار دارد ، مدل توجه سلسله مراتبی پیشنهادی می تواند روند تصمیم گیری پزشکان را آینه دهد. به عنوان مثال ، برای تشخیص AF ، آنها ابتدا به دنبال برخی از پنجره های مهم (دنباله ای از ضربان قلب مداوم) هستند ، در مرحله بعد ، آنها به ضربان قلب مهم پنجره ها نگاه می کنند و سپس روی امواج ضربان قلب تمرکز می کنند.

• • ما یک مدل توجه سلسله مراتبی پایان به پایان را پیشنهاد می کنیم که با توانایی تفسیر به عملکرد پیشرفته می رسد.
• • مدل پیشنهادی تفسیر وضوح چند سطحی (به عنوان مثال ، پنجره توسط پنجره (ضربان قلب چندگانه) ، ضربان قلب با ضربان قلب و موج بر اساس سطح موج) را ارائه می دهد.
• • ما به صورت تجربی نشان می دهیم که قسمت های مهم سیگنال ECG برای مدل در تحریک AF از نظر بالینی معنی دار است.
• • از روش پیشنهادی می توان برای تشخیص الگوهای بالقوه جدید که منجر به آریتمی قلب می شود ، استفاده کرد.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 بررسی کار مربوطه را ارائه می دهد. بخش 3 شرح مفصلی از رویکرد پیشنهادی را ارائه می دهد. بخش 4 مجموعه آزمایشی ، بانکهای اطلاعاتی استفاده شده را برای ارزیابی مدل پیشنهادی ارائه می دهد و عملکرد مدل پیشنهادی را با روشهای موجود در زیر با تجزیه و تحلیل تفسیر مقایسه می کند. بخش 5 در مورد نتایج بحث می کند و محدودیت های روش پیشنهادی را شرح می دهد. سرانجام ، بخش 6 مقاله را نتیجه می گیرد.

قطعه قطعه

کار مرتبط

طبقه بندی آریتمی قلب و وظایف پیش بینی مشکلات بسیار مهمی در یادگیری ماشین برای منطقه مراقبت های بهداشتی است. پیشرفت های اخیر الگوریتم های یادگیری عمیق در دستیابی به عملکرد عالی در مشکلات مراقبت های بهداشتی با یادگیری ماشین تأثیر گذاشته است. از شبکه های عصبی عمیق برای بهبود عملکرد طبقه بندی ضربان قلب ECG استفاده شده است [1،11،12،33]. شبکه های عصبی مکرر (RNN) و دنباله به مدل های دنباله برای انجام استفاده شدند

روش شناسی

در این بخش ، ابتدا مراحل پیش پردازش مورد نیاز برای تهیه داده ها را برای تغذیه در مدل پیشنهادی توصیف می کنیم. سپس ، اجزای اصلی روش پیشنهادی را با جزئیات توضیح می دهیم.

آزمایش

در این بخش ، دو مجموعه داده فیبریلاسیون دهلیزی مورد استفاده برای تجزیه و تحلیل کمی و کیفی روش پیشنهادی را شرح می دهیم. سپس ، ما عملکرد آن را در برابر الگوریتم های موجود برای کار تشخیص فیبریلاسیون دهلیزی مقایسه می کنیم و نشان می دهیم که مدل پیشنهادی در تشخیص آریتمی فیبریلاسیون دهلیزی چقدر قابل توضیح است.

بحث

یکی از اصلی ترین چالش های ساخت روش های تشخیص AF این است که تعداد نمونه های AF در مقایسه با نمونه های طبیعی محدود است. بنابراین ، این منجر به تخریب عملکرد روشهای تشخیص AF مبتنی بر یادگیری ماشین (ML) می شود که با مجموعه داده های نامتعادل سروکار دارد. اگرچه چنین روشهای مبتنی بر ML (به عنوان مثال ، روشهای یادگیری عمیق) می توانند از نمونه های AF تولید شده مصنوعی خوب توسط شبکه های مخالف تولیدی (GANS) بهره مند شوند [36] ، هدف اصلی ما نشان دادن پتانسیل سلسله مراتبی است

نتیجه گیری

در این مطالعه ، ما یک مکانیسم توجه سلسله مراتبی را برای انجام تشخیص فیبریلاسیون دهلیزی با استفاده از یک سیگنال ECG تک سرب پیشنهاد کردیم. مکانیسم های توجه به ما امکان می دهد نتایج تشخیص را با وضوح بالا تفسیر کنیم. نتایج این آزمایش در دو پایگاه داده مختلف نشان می دهد که روش ما به عملکرد پیشرفته می رسد و از الگوریتم های موجود بهتر عمل می کند. علاوه بر این ، از طریق تجسم ، ما نشان دادیم که مصنوعات اشاره شده از سیگنال ها توسط مدل هستند

اعلام علاقه رقیب

نویسندگان هیچ تضاد منافع را اعلام نمی کنند

ساجاد موسووی لیسانس دریافت کرد. مدرک مهندسی کامپیوتر از دانشگاه زنجان (ZNU) ، زنجان ، ایران ، در سال 2010 ، و کارشناسی ارشدمدرک هوش مصنوعی و روباتیک از دانشگاه علوم و فناوری ایران (IUST) ، تهران ، ایران ، در سال 2012. وی در حال حاضر دکتری را دنبال می کند. درجه با دانشکده انفورماتیک ، محاسبات و سیستم های سایبر ، دانشگاه آریزونا شمالی. او به عنوان دستیار تحقیق در یادگیری ماشین و یادگیری عمیق با دانشگاه ملی کار کرد