ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВОЙ КЛАССИФИКАЦИИ СЕРДЕЧНОГО РИТМА ПО ЭЛЕКТРОКАРДИОГРАММЕ

RESEARCH ON THE EFFECTIVENESS OF NEURAL NETWORK CLASSIFICATION OF HEART RHYTHM USING ELECTROCARDIOGRAM DATA

Ponomaryova Alyona Alexandrovna

Student, National Research University of Electronic Technology (MIET),

Russia, Moscow

АННОТАЦИЯ

 В статье исследуется применение глубокой сверточной нейронной сети с экспоненциально расширяющимися причинными свёртками для автоматической классификации сердечного ритма по данным электрокардиограммы. Исследована выборка из 29 112 записей пяти классов ритма. Качество классификации оценивалось по показателям accuracy, precision, recall, F1-мера, чувствительность, специфичность и AUROC. Наиболее высокие результаты получены для нормального ритма, синусовой тахикардии и синусовой брадикардии. Наибольшие трудности выявлены при распознавании фибрилляции и трепетания предсердий.

ABSTRACT

This paper investigates the use of a deep convolutional neural network with exponentially dilated causal convolutions for automatic heart rhythm classification based on electrocardiographic data. A dataset of 29,112 records representing five rhythm classes was analyzed. Classification performance was evaluated using accuracy, precision, recall, F1-score, sensitivity, specificity, and AUROC. The highest results were obtained for normal sinus rhythm, sinus tachycardia, and sinus bradycardia, while atrial fibrillation and atrial flutter were the most difficult classes to classify.

Ключевые слова: нейронная сеть; классификация сердечного ритма; сверточная нейронная сеть.

Keywords: neural network; heart rhythm classification; convolutional neural network.

Развитие цифровых медицинских технологий приводит к увеличению объёма электрокардиографических данных, поэтому актуальной становится задача их автоматизированной обработки. Одним из возможных решений является применение нейронных сетей, способных самостоятельно выделять информативные характеристики сигнала и использовать их для определения типа сердечного ритма.

В настоящей работе исследована возможность автоматической классификации электрокардиографических сигналов с использованием глубокой одномерной сверточной нейронной сети с экспоненциально расширяющимися причинными свёртками. Подобная архитектура была предложена Bos и соавторами для автоматической интерпретации 12-канальных ЭКГ [1]. Использование причинных свёрток с увеличивающимся коэффициентом дилатации позволяет учитывать временные зависимости различного масштаба в электрокардиографическом сигнале.

Для исследования была сформирована выборка из 29 112 электрокардиографических записей, разделённых на пять классов: нормальный синусовый ритм (NSR), синусовая тахикардия (ST), синусовая брадикардия (SB), фибрилляция предсердий (AF) и трепетание предсердий (AFL). Распределение по классам представлено в таблице 1.

Из таблицы видно, что классы представлены неравномерно. Наибольшее количество записей относится к SB – 13 143, или 45,15 % всей выборки. AF является наименее представленным классом и включает 380 записей. Таким образом, количество записей SB примерно в 35 раз превышает количество записей AF.

Таблица 1.

Распределение электрокардиографических записей по классам

Для классификации использовалась глубокая одномерная сверточная нейронная сеть с экспоненциально расширяющимися причинными свёртками (Exponentially Dilated Causal Convolutional Neural Network). В исходной архитектуре последовательно применяются причинные свёртки с увеличивающимся коэффициентом дилатации, позволяющие расширить рецептивное поле без пропорционального увеличения числа параметров модели [1]. Такой принцип особенно подходит для обработки временных рядов, к которым относится ЭКГ.

После обработки сигнала сверточными блоками формируется компактное признаковое представление, используемое для классификации. В рассматриваемой задаче выходной слой модели адаптирован под пять классов сердечного ритма.

Для оценки качества работы классификатора использовались accuracy, precision, recall, F1-мера, чувствительность, специфичность и area under the receiver operating characteristic curve (AUROC). Использование нескольких показателей позволяет оценить работу модели с различных сторон и определить классы, для которых распознавание оказывается наиболее сложным [2].

Полученные результаты представлены в таблице 2.

Таблица 2.

Показатели качества классификации различных типов сердечного ритма

Для NSR, ST и SB наблюдаются высокие значения всех основных показателей. F1-мера составляет 0,96, 0,94 и 0,98 соответственно. Высокие значения чувствительности показывают, что модель правильно распознаёт большую часть записей этих классов.

Наиболее сложным для классификатора является AF. При чувствительности 0,92 значение precision составляет только 0,13, а F1-мера – 0,23. Это означает, что модель способна обнаруживать большинство случаев фибрилляции предсердий, однако часть записей других классов также получает метку AF.

Для AFL наблюдается иная ситуация. Значение precision равно 0,95, а чувствительность составляет 0,45. Следовательно значительное количество реальных случаев данного класса не распознаётся.

Разница в показателях особенно заметна при сравнении AF и SB. При примерно одинаковом подходе к классификации F1-мера для SB составляет 0,98, тогда как для AF – 0,23. Одновременно чувствительность для обоих классов остаётся высокой, что показывает различие прежде всего в характере ошибок, а не только в способности модели обнаружить соответствующий тип ритма.

Одной из возможных причин различия результатов является структура исходной выборки., так как AF содержит значительно меньше записей. В результате нейронная сеть получает меньше примеров, отражающих вариативность данного типа сигнала. Аналогичные особенности отмечались при исследовании глубоких нейронных сетей для анализа ЭКГ [1, 3].

При этом для оценки модели важно учитывать не только один показатель. Например, высокая чувствительность при низкой precision для AF говорит о необходимости уменьшения ложноположительных решений, тогда как низкая чувствительность при высокой precision для AFL указывает на проблему пропущенных случаев.

Полученные результаты показывают, что используемая архитектура способна выполнять автоматическую классификацию различных типов сердечного ритма. Наибольшее качество достигается для наиболее представленных классов, тогда как распознавание AF и AFL требует дальнейшего совершенствования алгоритма и подготовки данных.

Таким образом, применение сверточной нейронной сети является перспективным подходом к автоматизированному анализу электрокардиографических сигналов. Проведённый анализ позволяет определить сильные и слабые стороны классификатора и выделить направления дальнейшей работы, связанные с улучшением распознавания редких типов сердечного ритма.

Список литературы:

1. Bos M.N. et al. Automated comprehensive interpretation of 12-lead electrocardiograms using pre-trained exponentially dilated causal convolutional neural networks // 2020 Computing in Cardiology. – 2020. – P. 1⁠–⁠4.
2. Ribeiro A.H. et al. Automatic diagnosis of the 12-lead ECG using a deep neural network // Nature communications. – 2020. – Т. 11.
3. Ван де Лёр Р.Р. и др. Van de Leur R.R. et al. Automatic triage of 12‐lead ECGs using deep convolutional neural networks // Journal of the American Heart Association. – 2020. – Т. 9, № № 10. – P.С. e015138.