Wyniki wyszukiwania - BazTech

1

Deep learning in the classification and recognition of cardiac activity patterns

Jeleń Łukasz, Ciskowski Piotr, Kluwak Konrad

International Journal of Electronics and Telecommunications

|

2024

|

Vol. 70, No. 1

79--85

EN

Electrocardiography is an examination performed frequently in patients experiencing symptoms of heart disease. Upon a detailed analysis, it has shown potential to detect and identify various activities. In this article, we present a deep learning approach that can be used to analyze ECG signals. Our research shows promising results in recognizing activity and disease patterns with nearly 90% accuracy. In this paper, we present the early results of our analysis, indicating the potential of using deep learning algorithms in the analysis of both onedimensional and two–dimensional data. The methodology we present can be utilized for ECG data classification and can be extended to wearable devices. Conclusions of our study pave the way for exploring live data analysis through wearable devices in order to not only predict specific cardiac conditions, but also a possibility of using them in alternative and augmented communication frameworks.

2

A generative model for Deep Fake Augmentation of phonocardiogram and electrocardiogram signals using LSGAN and Cycle GAN

Rayavarapu Swarajya Madhuri, Prasanthi Tammineni Shanmukha, Kumar Gottapu Santosh, Rao Gottapu Sasibhushana, Prashanti Gottapu

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2023

|

T. 13, nr 4

34--38

EN

In order to diagnose a range of cardiac conditions, it is important to conduct an accurate evaluation of eitherphonocardiogram (PCG)and electrocardiogram (ECG) data. Artificial intelligence and machine learning-based computer-assisted diagnostics are becoming increasingly commonplace in modern medicine, assisting clinicians in making life-or-death decisions. The requirement for an enormous amount of informationfor training to establish the framework for a deeplearning-based technique is an empirical challenge in the field of medicine. This increases the riskof personal information being misused. As a direct result of this issue, there has been an explosion in the study of methods for creating synthetic patient data. Researchers have attempted to generate synthetic ECG or PCG readings. To balance the dataset, ECG data were first created on the MIT-BIH arrhythmia database using LS GAN and Cycle GAN. Next, using VGGNet, studies were conducted to classify arrhythmias for the synthesized ECG signals. The synthesized signals performed well and resembled the original signal and the obtained precision of 91.20%, recall of 89.52% and an F1 scoreof 90.35%.

PL

W celu zdiagnozowania szeregu chorób serca, istotne jest przeprowadzenie dokładnej oceny danych z fonokardiogramu (PCG)i elektrokardiogram (EKG). Sztuczna inteligencja i diagnostyka wspomagana komputerowo, oparta na uczeniu maszynowym stają sięcoraz bardziej powszechne we współczesnej medycynie, pomagając klinicystom w podejmowaniu krytycznych decyzji. Z kolei, Wymóg ogromnej ilości informacjido trenowania, w celu ustalenia platformy (ang. framework) techniki, opartej na głębokim uczeniu stanowi empiryczne wyzwanie w obszarze medycyny. Zwiększa to ryzyko niewłaściwego wykorzystania danych osobowych. Bezpośrednim skutkiem tego problemu był gwałtowny rozwój badań nad metodami tworzenia syntetycznych danych pacjentów. Badacze podjęli próbę wygenerowania syntetycznych odczytów diagramów EKG lub PCG. Stąd, w celu zrównoważenia zbioru danych, w pierwszej kolejności utworzono dane EKG w bazie danych arytmii MIT-BIH przy użyciu struktur sieci generatywnych LSGAN i CycleGAN. Następnie, wykorzystując strukturę sieci VGGNet, przeprowadzono badania, mające na celu klasyfikację arytmii na potrzeby syntetyzowanych sygnałów EKG. Dla wygenerowanych sygnałów, przypominających sygnał oryginalny uzyskano dobre rezultaty. Należy podkreślić,że uzyskana dokładność wynosiła 91,20%, powtarzalność 89,52% i wynik F1 –odpowiednio 90,35%.

3

Klasyfikacja sygnału EKG przy użyciu konwolucyjnych sieci neuronowych

Ogryczak Maria

Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej

|

2020

|

Nr 71

51--54

PL

Podniesienie jakości i zautomatyzowanie procesu diagnozy jest istotnym elementem rozwoju medycyny i samokontroli stanu zdrowia pacjentów. Od dłuższego czasu istnieją i są stosowane różne metody analizy i klasyfikacji sygnału EKG, jednak nie zawsze ich dokładność jest zadowalająca. Największym problemem jest trudność rozpoznania istniejącej nieprawidłowości, w przypadku gdy jej reprezentacja jest podobna do prawidłowej pracy serca np. przedwczesny skurcz komorowy. W ostatnich latach obserwujemy dynamiczny rozwój nowego narzędzia z rodziny metod sztucznej inteligencji - głębokich sieci neuronowych. Cechuje je duża selektywność klasyfikacji nawet najbardziej skomplikowanych sygnałów w postaci szeregów czasowych czy obrazów, często na podstawie cech niezauważalnych dla ludzkiego oka. W niniejszym artykule przedstawiono sposób analizy zarejestrowanego sygnału elektrycznej czynności mięśnia sercowego (EKG), na podstawie pojedynczego, wyodrębnionego cyklu pracy serca. Celem badania było zdiagnozowanie sześciu różnych typów ewolucji mogących świadczyć o występowaniu arytmii. Badania przeprowadzono z wykorzystaniem ogólnodostępnej bazy danych MIT-BIH Arrhythmia Database. W celu podniesienia jakości ekstrakcji cech analizowanego sygnału, dokonano jego dekompozycji czasowo-przestrzennej przy wykorzystaniu transformacji falkowej. W rezultacie uzyskano zadowalające wyniki klasyfikacji: dokładność 92,4% i swoistość (zdolność do wykrycia braku cechy) 96,5%. Osiągnięte wyniki potwierdzają skuteczność systemu automatycznej klasyfikacji cyklów pracy serca, mogącego wspomóc lekarzy w procesie żmudnej analizy dużej liczby zarejestrowanych danych.

EN

Automation and improvement of diagnostic process is a vital element of medicine development and patient’s condition self-control. For a long time different ECG signal classification methods exist and are successfully applied, nevertheless their accuracy is not always satisfying enough. The lack of identification of an existing abnormality, which is very similar to a normal heartbeat is the biggest issue - for example premature ventricular contraction. Over the past few years there was a rapid development of an artificial intelligence tool - deep neural networks. They characterise by a high classification ability even the most complicated patterns in the form of time series or images, often based on features unnoticeable for human eye. In this paper the approach to electrocardiography (ECG) analysis was presented, taking into consideration a single heartbeat. The aim of this research was diagnosis of six different types of beat that may indicate arrhythmia occurrence. The study were performed on the public database MIT-BIH Arrhythmia Database. In order to enhance feature extraction quality of the analysed signal the time-space decomposition was made using wavelet transform. The satisfying performance with 92.4% accuracy and 96.5% specificity were accomplished. The achieved results may be used to develop an automatic heartbeat classification system that would significantly contribute medicians in the arduous process of data analysis.

4

Podstawowe informacje o stymulacji serca (stymulator serca)

Kurowska Klaudia

Inżynier i Fizyk Medyczny

|

2020

|

Vol. 9, nr 4

289--291

PL

Wszczepialny rozrusznik serca dostarcza impulsy stymulacyjne do serca pacjenta i jednocześnie monitoruje stan mięśnia sercowego. Urządzenie zawiera generator impulsów i jeden lub więcej przewodów elektrycznych (elektrod). Układy stymulujące wszczepiane pacjentom mogą pełnić różne funkcje. Obecnie liczba wszczepień układów stymulujących bądź resynchronizujących ciągle wzrasta zarówno w Polsce, jak i na świecie. Są to nowoczesne urządzenia pozwalające na dokładną analizę pracy serca pacjenta, tachyarytmii, a także zaburzeń przewodnictwa w sercu. Urządzenia te są w pełni zautomatyzowane. Wyróżnia się kilka typów stymulatorów serca: jednojamowe, dwujamowe, trójjamowe (CRT). W nazewnictwie wprowadzono trzyliterowe kody, za pomocą których opisuje się działanie stymulatora. W czasie zabiegu implantacji urządzeń, jak i ich późniejszych kontroli w poradniach, wykonywane są pomiary kilku parametrów odpowiadających za prawidłowe działanie układu stymulującego. Wszczepialne urządzenia stymulujące stanowią nieocenioną pomoc w przypadku pacjentów z różnego rodzaju zaburzeniami pracy serca – chronią przed groźnymi zdarzeniami mogącymi prowadzić do zgonu, a także poprawiają jakość życia chorego, pozwalając mu na normalne funkcjonowanie.

EN

An implantable pacemaker provides stimulation impulses to the patient’s heart and monitors his condition at the same time. The device contains a pulse generator and one or more electrical wires (electrodes). Stimulation systems implanted in patients can perform various functions. Currently, the number of implantations of stimulating or resynchronizing systems is still increasing both in Poland and in the world. These are modern devices that allow for accurate analysis of the patient’s heartbeat, tachyarrhythmia, as well as cardiac conduction disorders. These devices are fully automated. There are several types of pacemakers: single chamber, dual chamber, three chamber (CRT). In the naming, three-letter codes have been introduced to describe the operation of the pacemaker. During the implantation of the devices as well as their subsequent control in outpatient clinics, several parameters are measured that are responsible for the proper functioning of the stimulation system. Implantable stimulating devices are invaluable help in patients with various types of cardiac disorders – they protect against dangerous events that can be fatal, and also improve the quality of life of the patient, allowing him to function normally.

5

Mathematical modeling of radiofrequency ablation during open-heart surgery

Stasiuk Yurii, Vitaliy Maksymenko, Sychyk Maryna

Archives of Electrical Engineering

|

2020

|

Vol. 69, nr 2

423--431

EN

In this article a three-dimensional mathematical model of radiofrequency ablation during open-heart surgery is presented. It was developed to study temperature field distribution into myocardial tissue. This model uses an anatomically correct 3D model for the left atrium, obtained by magnetic resonance imaging (MRI) processing of a patient; takes into account thermoelectric characteristic differences depending on the area of electric current application; considers cooling by the air flow. An ex-vivo experiment on the pig’s heart was performed where the depth of myocardium tissue damage was measured for the model validation. It was shown that the deviation of the model data from the experiment is within the limits of instrumental measurement error. The developed model is proposed to be used for heart ablation procedures planning, or new equipment development.

6

Automatic detection of heart diseases based on ECG signal analysis

Delarue Louis, Drouard Pierre-Amaud, Hourdé Pierre, Joulia Jean, Renault Victorieu, Kotas Rafał

International Journal of Microelectronics and Computer Science

|

2018

|

Vol. 9, nr 4

133--141

EN

The authors provide overview of techniques used in ECG signal analysis and present their implementation in order to detect heart diseases (arrhythmias). This paper presents different means to study the ECG signals to develop automatic detection of heart diseases based on artificial intelligence.

7

Cardiac arrhythmia detection in ECG signals by feature Extraction and support vector machine

Malik Kumar Gorav, Kumar Yatindra, Panda Manoj

Annals of Computer Science and Information Systems

|

2017

|

Vol. 10

241--244

EN

Purpose of this work is to develop an automated physiological signal diagnostic tool that can help us to early determination of arrhythmia for proper medical attention. This paper presents a simple automated approach for classification of normal and abnormal ECG based on arrhythmia. The proposed method validated by the data MIT BIH arrhythmia database. The performance in terms of accuracy for clinical decision must be very high. This method uses fourth order wavelet decomposition, wavelet decomposition used for time frequency representation and feature extraction. For classification support vector machine is used for detection kinds of ECG signals

8

Electrocardiographic signals Wavelet Transform – identification and classification properties

Jóśko A.

Przegląd Elektrotechniczny

|

2016

|

R. 92, nr 11

51--54

PL

Praca niniejsza dotyczy badań przeprowadzonych w zakresie analizy sygnałów elektrokardiograficznych (EKG). Można by odnieść wrażenie, że natura WT prowadzi do redundantnego charakteru otrzymywanych wyników, okupionych relatywnie większą złożonością obliczeniową. Jednakże właśnie specyfika przekształceń falkowych pozwala na osiągnięcie bardzo dobrych wyników analiz zapisów EKG, co więcej nie tylko w zakresie zdolności lokalizacji, ale i identyfikacji. W pracy Autor przedstawia wyniki analizy falkowej sygnałów EKG, wraz z propozycją nieskomplikowanej metody do podstawowej klasyfikacji zespołów QRS.

EN

The paper concerns the research on wavelet transform and its power capabilities in the field of electrocardiographic (ECG) signals. One can experience that the nature of Wavelet Transform (WT) and especially Continuous Wavelet transform (CWT) leads directly to the redundancy in the outcome set. What is more it is additionally occupied by the relatively increased computation complexity. Generally it cannot be regarded as disadvantage. This said outcome redundancy and what is more important, wavelet specific form of the results, makes the WT suitable tool not only in the field of ECG signal identification but additionally in the classification purposes. In the paper Author presents the research outcomes of WT ECG signal analysis with a concept of a simple method for general classification of QRS complexes.

9

Detection of Arrhythmia from ECG Signals by a Robust Approach to Outliers

Orhan U.

Przegląd Elektrotechniczny

|

2013

|

R. 89, nr 7

81--85

EN

The study focuses on arrhythmia detection from ECG signals, and for this aim it uses Fuzzy C-means (FCM) and Single Neuron Perceptron (SNP). FCM clustering adapted to time-series transforms ECG signals into useful features, and then SNP classifies them. We use MITBIH Arrhythmia database. The database is utilized for two experiments in the study. In the first experiment, RR intervals trimmed from the database are prepared for training the model, and in the second one ECG segments are used for real time simulation. Obtained results are compared with some other studies. According to the results, the proposed approach is good at arrhythmia detection as well as at least the studies in the literature. Lastly we interpret the results and present some studies for the future.

PL

W artykule skoncentrowano się na detekcji arytmii na podstawie sygnału ECG przy wykorzystaniu pojedynczego perceptronu i algorytmu FCM. Do badań wykorzystano bazę danych MIT-BIH Arrhythmia. W artykule oceniono zastosowaną metodę, przedstawiono interpretację wyników i dalsze propozycje.

10

Design and Implementation of an Embedded System for Ambulatory Cardiac Monitoring

Hassan E. M. E., Mohammed K.

Journal of Telecommunications and Information Technology

|

2012

|

nr 1

23-32

EN

Cardiac monitoring in the environment of the subject is one of the major fields of telemedicine. In this paper we present a prototype of embedded system for acquisition, storage, display on LCD or PC and transfer via GSM alarm warning in case of arrhythmias, which allows a great opportunity for rapid intervention of the physician. In terms of hardware, we have designed and implemented our system with a modular approach to facilitate development and debugging. Thus the system comprises three modules: analog module, digital module microcontroller-based for certain pretreatment, and a GSM communication module. Of course, there is appropriate software behind the material described. The system has the following features: low cost, ease to implement and versatility.

11

Comparison of T-wave alternans detection methods

Janusek D., Pawłowski Z., Karczmarewicz S., Przybylski A.

Biocybernetics and Biomedical Engineering

|

2004

|

Vol. 24, no. 4

31-41

EN

T-wave alternans (TWA), which has recently been detected at the micro-volt level, is a non-invasive marker of the vulnerability to ventricular arrhythmia. The aim of this study was to compare the presently used TWA detection methods and to determine the ECG signal acquisition and processing conditions ensuring the TWA detection at its lowest possible level. The results of the evaluation and comparison of seven methods are presented. The ECG signal analysis was performed in the time and frequency domain. The differential and correlation methods were applied as the time domain methods. The complex demodulation method and methods based on the FFT and Karhunen-Loeve transform were tested as the frequency domain methods. The T-wave alternans markers were measured in 28 patients, and the results were compared. The usefulness of TWA detection methods has been demonstrated to dependant on the signal properties, such as the nonstationarity of TWA and the level of noise. Strong correlation between the magnitude of the T-wave alternans and ventricular repolarization time is described. A new, spectral methods is proposed.

12

Modeling ECG waveforms

Dubowik K., Larsson J. E.

Journal of Applied Computer Science

|

2000

|

Vol. 8, nr 1

23-36

EN

This paper describes a way to mode! ECG signals that is used for building and testing an automated arrhythmia analyzer. The segments of the waveform are approximated by Gaussian curves, which is simple and generates realistic-looking waveforms- By modeling subsequent heartbeats it is possible to obtain the ECG's of every arrhythmia. The signals generated may be comfortably used for designing an automated ECG analyzer and for leaching medicine students.