Inter- und intrapatientelle Klassifikation von EKG-Schlagzeichen zur Erkennung von Arrhythmien: Ein sequenzbasiertes Deep-Learning-Ansatz

Das Elektrokardiogramm (EKG) ist ein weit verbreitetes und leistungsfähiges Werkzeug zur Untersuchung der Herzfunktion und zur Diagnose verschiedener unregelmäßiger Herzrhythmen. Trotz bemerkenswerter Fortschritte bei Methoden zur Klassifizierung von Herzrhythmusstörungen können diese bisher noch nicht eine akzeptable Leistung bei der Erkennung unterschiedlicher Herzbedingungen bieten, insbesondere wenn es sich um unbalancierte Datensätze handelt. In dieser Arbeit schlagen wir eine Lösung vor, um diese Einschränkung der aktuellen Klassifizierungsansätze zu überwinden, indem wir eine automatische Herztaktklassifizierungsmethode mithilfe tiefer Faltungsneuronaler Netze und Sequenz-zu-Sequenz-Modellen entwickeln. Wir haben die vorgeschlagene Methode anhand der MIT-BIH-Arrhythmie-Datenbank evaluiert, wobei wir sowohl das intrapatienten- als auch das interpatienten-Paradigma sowie den AAMI-Standard EC57 berücksichtigten. Die Evaluationsergebnisse für beide Paradigmen zeigen, dass unsere Methode die beste Leistung in der Literatur erzielt (für die Kategorie S: eine positive Vorhersagewahrscheinlichkeit von 96,46 % und eine Sensitivität von 100 %; für die Kategorie F: eine positive Vorhersagewahrscheinlichkeit von 98,68 % und eine Sensitivität von 97,40 % im intrapatienten Schema; für die Kategorie S: eine positive Vorhersagewahrscheinlichkeit von 92,57 % und eine Sensitivität von 88,94 %; für die Kategorie V: eine positive Vorhersagewahrscheinlichkeit von 99,50 % und eine Sensitivität von 99,94 % im interpatienten Schema). Der Quellcode ist unter https://github.com/SajadMo/ECG-Heartbeat-Classification-seq2seq-model verfügbar.