Применение сверточной нейронной сети InceptionTime для классификации электрокардиограмм с множественными метками
Ключевые слова:
Аннотация
Введение: проблема классификации электрокардиограмм с множественными метками возникает по причине того, что одной записи могут соответствовать несколько диагнозов. Поскольку редкие диагнозы представлены в меньшем количестве, а их признаки проявляются на участках различной длины, использование единого масштаба анализа и общего порога решения повышает риск смещения модели к частым состояниям и пропуска редких патологий. Цель: адаптировать и экспериментально исследовать одномерную сверточную нейронную сеть InceptionTime для классификации электрокардиограмм с множественными метками. Результаты: разработанная схема классификации электрокардиограмм сочетает многомасштабное извлечение признаков, взвешенную бинарную кросс-энтропию с логитами и индивидуальные пороги для пяти диагностических суперклассов. Экспериментальная проверка, проведенная на наборе десятисекундных двенадцатиканальных электрокардиограмм, включавшем записи без патологий, с инфарктом миокарда, изменениями реполяризации, нарушениями проводимости и гипертрофией, выявила, что на тестовой выборке полнота составила 0,74, а макроусредненная гармоническая мера точности и полноты — 0,72. Сравнение с рекуррентными и сверточными архитектурами показало, что модель на основе архитектуры InceptionTime обеспечила наибольшую полноту и продемонстрировала один из лучших результатов по макроусредненной гармонической мере точности и полноты. Практическая значимость: адаптированная модель может служить алгоритмической основой программного модуля предварительного анализа электрокардиограмм и систем поддержки врачебных решений. Независимая оценка диагностических состояний позволяет выявлять несколько патологий в одной записи, а применение отдельных порогов для каждого класса — снижать риск пропуска редких патологий и предварительно выделять записи для последующей проверки специалистом. Обсуждение: дальнейшие исследования целесообразно направить на повышение качества распознавания редких диагностических классов и проверку модели на других биомедицинских сигналах (анализ электроэнцефалограмм, оценка уровня стресса и эмоций человека и др.).
