Wyniki wyszukiwania - BazTech

1

Implementation of an artificial intelligence-based ECG acquisition system for the detection of cardiac abnormalities

Benba Achraf, El Attaoui Fatima Zahra, Sandabad Sara

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2023

|

T. 13, nr 1

22--25

EN

The electrocardiogram (ECG) is a common test that measures the electrical activity of the heart. On the ECG, several cardiac abnormalities can be seen, including arrhythmias, which are one of the major causes of cardiac mortality worldwide. The objective for the research community is accurate and automated cardiovascular analysis, especially given the maturity of artificial intelligence technology and its contribution to the health area. The goal of this effort is to create an acquisition system and use artificial intelligence to classify ECG readings. This system is designed in two parts: the first is the signal acquisition using the ECG Module AD8232; the obtained signal is a single derivation that has been amplified and filtered. The second section is the classification for heart illness identification; the suggested model is a deep convolutional neural network with 12 layers that was able to categorize five types of heartbeats from the MIT-BIH arrhythmia database. The results were encouraging, and the embedded system was built.

PL

Elektrokardiogram (EKG) to powszechny test, który mierzy aktywność elektryczną serca. W zapisie EKG można zauważyć kilka nieprawidłowości serca, w tym arytmie, które są jedną z głównych przyczyn śmiertelności sercowej na całym świecie. Celem społeczności naukowej jest dokładna i zautomatyzowana analiza układu sercowo-naczyniowego, zwłaszcza biorąc pod uwagę dojrzałość technologii sztucznej inteligencji i jej wkład w obszar zdrowia. Celem tych wysiłków jest stworzenie systemu akwizycji i wykorzystanie sztucznej inteligencji do klasyfikacji odczytów EKG. System ten składa się z dwóch części: pierwsza to akwizycja sygnału za pomocą modułu EKG AD8232; uzyskany sygnał jest pojedynczą pochodną, która została wzmocniona i przefiltrowana. Druga sekcja to klasyfikacja identyfikacji chorób serca; sugerowany model to głęboka konwolucyjna sieć neuronowa z 12 warstwami, która była w stanie sklasyfikować pięć typów uderzeń serca z bazy danych arytmii MIT-BIH. Wyniki były zachęcające i zbudowano system wbudowany.

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

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.

6

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.

7

Optimal ECG lead system for arrhythmia assessment with use of TCRT parameter

Kania M., Fereniec M., Janusek D., Zbieć A., Kępski R., Karpiński G., Maniewski R.

Biocybernetics and Biomedical Engineering

|

2009

|

Vol. 29, no. 2

73-82

EN

The aim of the study was to evaluate diagnostic value of TCRT (spatial QRS-T angle) parameter in different sets of ECG leads and to select the ECG lead set, for which the TCRT parameter would have the best sensitivity and specificity in identifying patients threatened by ventricular tachycardia (VT pts). Two groups of patients after myocardial infarction were studied: 13 non VT pts and 30 VT pts. The TCRT parameter values differentiated VT pts group from non VT pts group for all analyzed sets of ECG leads. Considering sensitivity of the TCRT parameter in identifying VT patients the best set of ECG leads was selected.

8

Entropia w badaniach zaburzeń rytmu serca

Graff B., Graff G., Kolesiak A.

Matematyka Stosowana : matematyka dla społeczeństwa

|

2008

|

Nr 9

46-56

PL

Artykuł prezentuje zastosowanie Approximate Entropy, będącej miarą stopnia złożoności szeregów czasowych, do analizy zmienności rytmu serca.

EN

Healthy human heart rate is characterized by oscillations observed in intervals between consecutive heartbeats (RR intervals). Conventional methods of heart rate variability analysis measure the overall magnitude of RR interval fluctuations around its mean value or the magnitude of fluctuations in predetermined frequencies. The new methods of chaos theory and nonlinear dynamics provide powerful tools, which allow to predict clinical outcome in patients with cardiovascular diseases. The main aim of our article is to present Approximate Entropy (ApEn), a measure of system regularity and complexity, introduced by Pincus in 1991. ApEn estimation used for clinical purposes is applied for finite number of records, divided in vectors, and depends on two fixed parameters m and r. Then Approximate Entropy may be interpreted as the average of negative natural logarithms of conditional probability, that two vectors of length m + 1 are similar (we define here r-similarity), if two vectors of the length m are similar. The article provides a formal mathematical description of ApEn and presents a simple algorithm for its assessment. The choice of input parameters m and r is also discussed. In vast majority of publications r depends on standard deviation (SD) of average of all records, when individual features of heart rhythm are taken into account. The fraction of r, equal to 0, 2SD, and m = 2 are usually chosen on the basis of previous findings of good statistical validity. With the above set of parameters we can avoid the influence of outliers and do not loose too much information. ApEn has also some disadvantages - the main is counting self similarities. To reduce this kind of bias some improvements of the methods based on Pincus’ algorithm were developed. For example Sample Entropy (SampEn), which has similar algorithm but does not count self-matches, was proposed and easily applied to clinical time-series. In the article we present also an application of ApEn in predicting atrial fibrillation (AF), a type of arrhythmia which is the most common sustained heart rhythm disturbance. Both ApEn and SampEn decrease before the spontaneous onset of AF. What is more, ApEn is not sensitive to ectopy beats and therefore can be assessed fully automatically. The potential application of ApEn is the possibility to detect an increased vulnerability to AF before the onset of arrhythmia during continuous heart rate recording, for example for patients with implantable pacemakers. The recognition of the higher risk of AF would be followed by immediate pacemaker reprogramming to prevent an episode of arrhythmia. It would result not only in better quality of life of the patient but also in decreased number of hospitalization and cost of treatment.

9

New generation impedance rheographs and examples of their clinical applications

Pałko T.

Biocybernetics and Biomedical Engineering

|

2007

|

Vol. 27, no. 1-2

185-196

EN

The impedance rheography as a method of measurement and recording of electrical impedance and its changes in a body segment is widely used in research and medical practice. Several types, single or multichannel, analog or digital impedance rheographs were developed at Warsaw University of Technology. A digital impedance rheograph has been recently designed for measurement of impedance modulus (...) and its changes (...) of body segment or tissue sequent simultaneously with ECG signal. The designed rheographs were positively tested technically and clinically. In this article is presented the clinical application of impedance rheography for study of systemic and pulmonary blood flow in two different groups of patients with several cardiac abnormalities or after therapeutic procedures. The investigation of systemic blood circulation was done on group of 20 patients with cardiac arrhythmia (15 cardioverted and 5 cardiostimulated patients). The pulmonary blood circulation was studied on 20 healthy and 26 patients: 8 with isolated pulmonary stenosis and 18 with Fallot syndrome. The findings show that impedance method allows to detect and assess these abnormalities.

10

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.