Mehrfachlabel-EKG-Klassifizierung mithilfe von Faltungsneuralen Netzen in einer Klassifiziererkette

In den letzten zehn Jahren hat die Künstliche Intelligenz ihre Eignung zur Klassifizierung herzbezogener Diagnosen anhand von EKGs gezeigt. Frühere Studien konzentrierten sich hauptsächlich auf 12- und 2-Leitungs-EKGs, während wir in dieser Studie 26 verschiedene Diagnosen anhand von 12-, 6-, 4-, 3- und 2-Leitungs-EKGs klassifizieren möchten. Wir trainierten ein überwachtes Modell auf einem Datensatz mit insgesamt 88.253 EKGs, wobei 26 unterschiedliche Diagnosen als Referenzwert (Ground Truth) dienten. Der Trainings- und Klassifikationsprozess lässt sich in drei Schritte unterteilen: (1) Der Pan-Tompkins-Algorithmus wurde verwendet, um Peaks zu identifizieren und die mittlere Herzfrequenz zu berechnen. (2) Die mittlere Herzfrequenz sowie das Fourier-transformierte EKG-Signal dienten als Eingabedaten für ein Convolutional Neural Network (CNN)-System, das EKGs mit regelmäßigen oder unregelmäßigen Rhythmen klassifizierte. In diesem Schritt wurden 9 der 26 Klassen erfasst. (3) Schließlich wurden CNN-Modelle in einer Klassifikationskette trainiert, um die verbleibenden 17 Diagnosen zu klassifizieren. Die Klassifikationsergebnisse aus Schritt 2 sowie das rohe EKG-Signal wurden als Eingabe für die Klassifikationskette im Schritt 3 verwendet. Unser Team, CardiOUS, erzielte auf dem versteckten Testset für alle Leitungsgruppen einen PhysioNet-Challenge-Score von −0,63. Aufgrund dieses Testergebnisses belegte unser Team im offiziellen Ranking den 38. Platz von insgesamt 39 Teams.