Klassifikation von Herzrhythmusstörungen mittels fortgeschrittener Deep-Learning-Techniken auf digitalisierten EKG-Datensätzen

Die EKG-Klassifikation oder Herzschlagklassifikation ist ein äußerst wertvolles Werkzeug in der Kardiologie. Auf Deep Learning basierende Techniken zur Analyse von EKG-Signalen unterstützen menschliche Experten bei der zeitnahen Diagnose von Herzkrankheiten und helfen, kostbare Leben zu retten. Diese Forschung zielt darauf ab, einen Datensatz von Bildern von EKG-Aufzeichnungen in Zeitreihensignale zu digitalisieren und anschließend Deep-Learning-Techniken auf dem digitalisierten Datensatz anzuwenden. Moderne Deep-Learning-Techniken werden vorgeschlagen, um die EKG-Signale in verschiedene Herzklassen zu klassifizieren. Mehrere Deep-Learning-Modelle, einschließlich eines konvolutionalen neuronalen Netzwerks (CNN), eines Long Short-Term Memory (LSTM)-Netzwerks und eines selbstüberwachten Lernmodells (SSL), das Autoencoder verwendet, werden in dieser Studie untersucht und verglichen. Die Modelle werden auf dem Datensatz trainiert, der aus EKG-Diagrammen von Patienten verschiedener Gesundheitseinrichtungen in Pakistan generiert wurde. Zuerst werden die EKG-Bilder digitalisiert, wobei die Herzschläge von Lead II segmentiert werden, und dann werden die digitalisierten Signale an die vorgeschlagenen Deep-Learning-Modelle zur Klassifikation weitergeleitet. Unter den verschiedenen in dieser Studie verwendeten Deep-Learning-Modellen erzielt das vorgeschlagene CNN-Modell die höchste Genauigkeit von ∼92%. Das vorgeschlagene Modell ist äußerst genau und bietet schnelle Inferenz für die Echtzeit- und direkte Überwachung von EKG-Signalen, die von den Elektroden (Sensoren) aufgenommen werden, die an verschiedenen Körperstellen platziert sind. Die Verwendung der digitalisierten Form von EKG-Signalen anstelle von Bildern zur Klassifikation von Herzrhythmusstörungen ermöglicht es Kardiologen, Deep-Learning-Modelle direkt auf EKG-Signale von einem EKG-Gerät für die Echtzeit- und genaue Überwachung von EKGs anzuwenden.