Classification multi-label de signaux ECG à l’aide de réseaux de neurones convolutifs dans une chaîne de classificateurs

Au cours de la dernière décennie, l’intelligence artificielle a démontré sa faisabilité dans la classification des diagnostics liés au cœur à partir des électrocardiogrammes (ECG). Les études antérieures se sont principalement concentrées sur les ECG à 12 et 2 dérivations, alors que cette étude vise à classifier 26 diagnostics différents à partir d’ECG à 12, 6, 4, 3 et 2 dérivations. Nous avons entraîné un modèle supervisé sur un jeu de données comprenant 88 253 ECG, avec 26 diagnostics distincts utilisés comme étiquettes de référence. Les étapes d’entraînement et de classification peuvent être divisées en trois parties. (1) L'algorithme de Pan-Tompkins a été utilisé pour détecter les pics et calculer la fréquence cardiaque moyenne. (2) La fréquence cardiaque moyenne ainsi que le signal ECG transformé par la transformée de Fourier ont servi à entraîner un système de réseaux de neurones convolutifs (CNN) afin de classer les ECG présentant des rythmes réguliers ou irréguliers. Neuf des 26 classes ont été classées dans cette étape. (3) Enfin, des modèles CNN ont été entraînés dans une chaîne de classificateurs afin de classifier les 17 diagnostics restants. Les résultats de classification issus de l’étape 2 ainsi que le signal ECG brut ont été utilisés comme entrée pour la chaîne de classificateurs de l’étape 3. Notre équipe, CardiOUS, a obtenu un score de défi PhysioNet de −0,63 sur l’ensemble des configurations de dérivations, sur le jeu de test caché. Sur la base de ce score, notre équipe s’est classée au 38e rang sur 39 équipes dans le classement officiel.