Systém pro automatickou klasifikaci fibrilace síní z krátkodobých jednosvodových EKG záznamů

Automatic classification of atrial fibrillation in short single-lead ECG recordings

Abstract

Cíl: Návrh algoritmu pro automatickou detekci fibrilace síní a vyhodnocení kvality signálu z krátkých jedno-svodových EKG záznamů pořízených epizodním záznamníkem s bezdrátovým přenosem signálu. Metodika: Algoritmus využívá dvou nelineárních modelů vytvořených pomocí metody Support Vector Machines (SVM) pro klasifikaci srdečního rytmu do 4 skupin: fibrilace síní (FS), normální sinusový rytmus (SR), ostatní typy arytmií (OA) a neklasifikovatelný záznam (N). V prvním kroku je provedena klasifikace (Model 1) jednotlivých EKG cyklů na základě morfologických příznaků PQRST úseku. V druhém kroku je klasifikován celý EKG záznam (Model 2) s využitím výstupů z Modelu 1 a další sady příznaků odvozené z variability tepové frekvence, podobnosti QRS komplexů a víceúrovňového odhadu kvality signálu. EKG záznamy (délka trvání 9–61 s) pro učení a testování algoritmu byly pořízeny pomocí záznamníku AliveCor Kardia Mobile od 12 186 dobrovolníků (71,5 % žen, 64,7±13,4 let). 60,5 % záznamů obsahuje normální sinusový rytmus; FS a jiné typy arytmií byly nalezeny v 9 %, resp. 30 % případech; 0,5 % záznamů nebylo klasifikováno z důvodu nízké kvality dat. Algoritmus byl ověřen pomocí 10 násobné křížové validace na trénovací množině EKG záznamů (n=8528) a náhodně vybraných EKG cyklů (n=31404). Kvalita predikce poté byla vyhodnocena na zaslepené testovací množině EKG záznamů (n=3658) pomocí F1 skóre (váhovaný průměr senzitivity a pozitivní prediktivní hodnoty). Výsledky: Na trénovací (n=8528) a testovací (n=3658) množině EKG záznamů bylo dosaženo celkového F1 skóre 0,84 a 0,81. F1 skóre pro klasifikaci EKG záznamů do jednotlivých skupin dosáhlo hodnot (trénovací vs. testovací): 0,85 vs. 0,83 (FS); 0,91 vs. 0,90 (SR); 0,76 vs. 0,71 (OA) a 0,84 (N). Závěr: Celkové F1 skóre dosažené na testovací množině je srovnatelné (0,81) s dalšími pokročilými metodami z oblasti automatické klasifikace arytmií. Z dosažených výsledků lze usuzovat na dobrou generalizační schopnost navržených modelů.

Cíl: Návrh algoritmu pro automatickou detekci fibrilace síní a vyhodnocení kvality signálu z krátkých jedno-svodových EKG záznamů pořízených epizodním záznamníkem s bezdrátovým přenosem signálu. Metodika: Algoritmus využívá dvou nelineárních modelů vytvořených pomocí metody Support Vector Machines (SVM) pro klasifikaci srdečního rytmu do 4 skupin: fibrilace síní (FS), normální sinusový rytmus (SR), ostatní typy arytmií (OA) a neklasifikovatelný záznam (N). V prvním kroku je provedena klasifikace (Model 1) jednotlivých EKG cyklů na základě morfologických příznaků PQRST úseku. V druhém kroku je klasifikován celý EKG záznam (Model 2) s využitím výstupů z Modelu 1 a další sady příznaků odvozené z variability tepové frekvence, podobnosti QRS komplexů a víceúrovňového odhadu kvality signálu. EKG záznamy (délka trvání 9–61 s) pro učení a testování algoritmu byly pořízeny pomocí záznamníku AliveCor Kardia Mobile od 12 186 dobrovolníků (71,5 % žen, 64,7±13,4 let). 60,5 % záznamů obsahuje normální sinusový rytmus; FS a jiné typy arytmií byly nalezeny v 9 %, resp. 30 % případech; 0,5 % záznamů nebylo klasifikováno z důvodu nízké kvality dat. Algoritmus byl ověřen pomocí 10 násobné křížové validace na trénovací množině EKG záznamů (n=8528) a náhodně vybraných EKG cyklů (n=31404). Kvalita predikce poté byla vyhodnocena na zaslepené testovací množině EKG záznamů (n=3658) pomocí F1 skóre (váhovaný průměr senzitivity a pozitivní prediktivní hodnoty). Výsledky: Na trénovací (n=8528) a testovací (n=3658) množině EKG záznamů bylo dosaženo celkového F1 skóre 0,84 a 0,81. F1 skóre pro klasifikaci EKG záznamů do jednotlivých skupin dosáhlo hodnot (trénovací vs. testovací): 0,85 vs. 0,83 (FS); 0,91 vs. 0,90 (SR); 0,76 vs. 0,71 (OA) a 0,84 (N). Závěr: Celkové F1 skóre dosažené na testovací množině je srovnatelné (0,81) s dalšími pokročilými metodami z oblasti automatické klasifikace arytmií. Z dosažených výsledků lze usuzovat na dobrou generalizační schopnost navržených modelů.

detekce a klasifikace, arytmie, strojové učení, fibrilace síní, support vector machines

detection and classification, arrhytmias, atrial fibrillation, machine learning, support vector machines

HEJČ, J.; SMÍŠEK, R.; RONZHINA, M.; NĚMCOVÁ, A.; MARŠÁNOVÁ, L.; CHMELÍK, J.; KOLÁŘOVÁ, J.; PROVAZNÍK, I.; SMITAL, L.; VÍTEK, M.

2018

12.11.2017

1