Модель нейромережевого автоенкодера для формування скорочених векторів ознак ЕКГ сигналів
Вантажиться...
Дата
2025
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
У статті розглянута актуальна проблема вдосконалення моделей нейронних мереж для класифікації серцево-судинних патологій шляхом стиснення інформації, яка міститься в електрокардіографічних (ЕКГ) сигналах. Через активне впровадження штучного інтелекту в медичну діагностику в роботі зосереджено увагу на створенні скороченого вектора ознак ЕКГ сигналів, що дозволяє зменшити обсяг тренувальних даних без втрати важливої інформації. Дослідження присвячено розробці моделі автоенкодера зі спеціалізованою архітектурою, яка поєднує згорткові та повнозв’язні шари, шари уваги, залишкові зв’язки та симетричну структуру зі спільними вагами. Такий підхід дозволяє не лише стискати вхідний багатоканальний сигнал, але й формувати латентний простір, з якого можна відновити сигнал або використовувати його як вектор ознак для класифікації. В архітектурі моделі автоенкодера виконано поєднання латентного представлення та вектору вагових коефіцієнтів шарів у єдиний скорочений вектор, що одночасно містить інформацію як про форму, так і про структуру ознак ЕКГ сигналу. Навчання моделі відбувалося з використанням комбінованої функції втрат, яка дозволяє балансувати між якістю реконструкції сигналу та точністю класифікації. Для тестування моделі було використано низку альтернативних методів скорочення розмірності: зниження частоти дискретизації; перетворення до ортогональних відведень Франка; обчислення результуючого вектора; метод головних компонент (PCA). Усі методи були протестовані на базі даних PTB-XL, яка містить 12-канальні ЕКГ-записи з широким спектром патологій. Для оцінки ефективності скороченого вектора ознак застосовано дві моделі – згорткову нейронну мережу EcgNet і повнозв’язну мережу з двома прихованими шарами. Аналіз результатів показав, що в середньому точність класифікації з використанням скороченого вектора знижується лише на 2% для EcgNet і збільшується на 3–6% для повнозв’язної мережі, що свідчить про збереження діагностичної інформації навіть у разі значного коефіцієнту стиснення сигналу зі значенням 25. Водночас, традиційні методи зменшення розмірності, такі як PCA або переведення в ортогональну систему відведень, демонструють суттєве погіршення якості класифікації (до –16%). Зменшення частоти дискретизації до 75 Гц хоча дозволяє суттєво знизити обсяг даних, однак, також веде до втрати високочастотної інформації, критичної для виявлення ішемій та аритмій. Окрему увагу приділено пізнім потенціалам шлуночків (ППШ) та передсердь (ППП), що мають низькоамплітудну і високочастотну природу. Сформований скорочений вектор ознак забезпечив збереження інформативних характеристик цих класів, що відобразилось у підвищенні точності їх класифікації порівняно з традиційними методами зменшення розмірності. З огляду на це, розроблений скорочений вектор ознак демонструє здатність до збереження діагностичної інформації за умов суттєвого зменшення розмірності даних ЕКГ, що дозволяє досягти балансу між обчислювальною ефективністю, точністю класифікації та універсальністю застосування. Отримані результати свідчать про те, що використання запропонованого скороченого вектора ознак може бути перспективним рішенням для компактних і продуктивних систем автоматизованого аналізу ЕКГ, в мобільних, або обмежених за обчислювальними ресурсами системах, а також дає можливість пришвидшити розробку та тестування нових нейромережевих моделей для діагностики.
Опис
Ключові слова
електрокардіографія, автоенкодер, пізні потенціали шлуночків, пізні потенціали передсердь, стиснення даних, electrocardiography, autoencoder, ventricular late potentials, atrial late potentials, data compression
Бібліографічний опис
Мневець, А. В. Модель нейромережевого автоенкодера для формування скорочених векторів ознак ЕКГ сигналів / Мневець А. В., Іванушкіна Н. Г. // Вісник КПІ. Серія Приладобудування : збірник наукових праць. – 2025. – Вип. 69(1). – С. 93-105. – Бібліогр.: 24 назв.