Neural Networks Detection of Low-Amplitude Components on ECG Using Modified Wavelet Transform

Скорочена інформація про документ
dc.contributor.authorMnevets, A. V.
dc.contributor.authorIvanushkina, N. G.
dc.date.accessioned2024-11-26T10:59:36Z
dc.date.available2024-11-26T10:59:36Z
dc.date.issued2024
dc.description.abstractThis study is devoted to identification of low amplitude components from ECG signals by different timefrequency analysis methods when main power spectrum falls on high-amplitude components. It was also analyzed the problem of choosing correct scale system for determination low-amplitude components on the scalogram by artificial intelligence models. As a result of the study, several modifications of the continuous wavelet transform were proposed. First modification was based on the use of a scaling function and a modified wavelet. Second modification was based on the use of cosine similarity at each iteration of convolution followed by the use of a scaling function. The main idea of the study was to modify the wavelet transform in such a way as to select the components which has the target amplitude and reduce all other components that complicate the neural networks analysis of the interested fragments of the signal. Also, possible procedures for signal restoring were proposed for preserving the effect of using scaling modifications. The testing of the proposed modified algorithms was carried out on the basis of artificially created signals as well as on the basis of real ECG signals with late potentials superimposed on them. Visual analysis of scalograms and signal reconstructions obtained using the modified wavelet transform showed that the modified wavelet transform is capable of extracting low-amplitude components from the signal with much greater spectral power than the transform without modifications. In addition, the ability of common neural network models to distinguish between cardiac cycles with and without late potentials was tested. As a result, it was found that models that were trained on scalograms obtained using a modified wavelet transform train faster and are less susceptible to local minima stucking. The results of classification of signals with and without late potentials based on trained neural network models showed that training using scalograms obtained on the base of a modified wavelet transform allows achieving 99% classification accuracy, which is 1-49% more than that using scalograms obtained on the base of on the classical wavelet transform.
dc.description.abstractotherДане дослiдження присвячено iдентифiкацiї низькоамплiтудних компонентiв ЕКГ-сигналiв рiзними методами частотно-часового аналiзу, коли основний спектр потужностi припадає на високоамплiтуднi компоненти. Також було проаналiзовано проблему вибору системи масштабiв для визначення низькоамплiтудних компонентiв на скейлограмi за допомогою моделей штучного iнтелекту. Як результат дослiдження, були запропонованi кiлька модифiкацiй безперервного вейвлетперетворення. Перша модифiкацiя базується на використаннi масштабувальної функцiї та модифiкованого вейвлета. Друга модифiкацiя базується на використаннi косинусної подiбностi на кожнiй iтерацiї згортки з подальшим застосуванням масштабувальної функцiї. Основна iдея дослiдження полягає в тому, щоб модифiкувати вейвлет-перетворення таким чином, щоб видiлити компоненти з цiльовою амплiтудою та зменшити всi iншi компоненти, якi ускладнюють аналiз цiкавлячих фрагментiв сигналу нейронними мережами. Також були запропонованi можливi процедури вiдновлення сигналу для збереження ефекту використання масштабувальних модифiкацiй. Тестування запропонованих модифiкованих алгоритмiв було проведено на основi штучно створених сигналiв, а також на основi реальних сигналiв ЕКГ з накладеними на них пiзнiми потенцiалами. Вiзуальний аналiз скейлограм та вiдновлених сигналiв, отриманих за допомогою модифiкованого вейвлет-перетворення, показав, що модифiковане вейвлет-перетворення здатне видiляти низькоамплiтуднi компоненти зi сигналу з набагато бiльшою спектральною потужнiстю, нiж перетворення без модифiкацiй. Крiм того, була перевiрена здатнiсть загальних моделей нейронних мереж розрiзняти серцевi цикли з пiзнiми потенцiалами та без них. У результатi було виявлено, що моделi, якi тренувалися на скейлограмах, отриманих за допомогою модифiкованого вейвлет-перетворення, навчаються швидше i менш схильнi до застрягання в локальних мiнiмумах. Результати класифiкацiї сигналiв з пiзнiми потенцiалами та без них на основi натренованих моделей нейронних мереж показали, що навчання за допомогою скейлограм, отриманих на основi модифiкованого вейвлет-перетворення, дозволяє досягти 99% точностi класифiкацiї, що на 1-49% бiльше, нiж при використаннi скейлограм, отриманих на основi класичного вейвлет-перетворення.
dc.format.pagerangeС. 46-57
dc.identifier.citationMnevets, A. V. Neural Networks Detection of Low-Amplitude Components on ECG Using Modified Wavelet Transform / Mnevets A. V., Ivanushkina N. G. // Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць. – 2024. – Вип. 97. – С. 46-57. – Бібліогр.: 24 назв.
dc.identifier.doihttps://doi.org/10.20535/RADAP.2024.97.46-57
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/70815
dc.language.isoen
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.sourceВісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 97
dc.subjectelectrocardiography
dc.subjectwavelet transform
dc.subjectlate atrial potentials
dc.subjectlate ventricular potentials
dc.subjectneural networks
dc.subjectелектрокардiографiя
dc.subjectвейвлетперетворення
dc.subjectпiзнi потенцiали передсердь
dc.subjectпiзнi потенцiали шлуночкiв
dc.subjectнейроннi мережi
dc.subject.udc616.12-07
dc.titleNeural Networks Detection of Low-Amplitude Components on ECG Using Modified Wavelet Transform
dc.title.alternativeВиявлення нейронними мережами низькоамплiтудних компонентiв на ЕКГ за допомогою модифiкованого вейвлет-перетворення
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
46-57.pdf
Розмір:
964.02 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 97