Original title:
Analýza vysokofrekvenčního EKG s využitím hlubokého učení
Translated title:
Analysis of ultra-high frequency ECG using deep learning
Authors:
Koščová, Zuzana ; Antin, Christoph Hoog (referee) ; Plešinger, Filip (advisor) Document type: Master’s theses
Year:
2023
Language:
eng Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[eng][cze]
Analýza ultravysokofrekvenčného EKG (UHF-ECG) poskytuje informácie o elektrickej komorovej dyssynchrónii. Okrem toho analýza UHF-ECG v reálnom čase umožňuje priamu optimalizáciu stimulačnej elektródy počas implantácie kardiostimulátora. V tejto diplomovej práci opisujeme poruchy komorového vedenia, súčasnú metódu analýzy UHF-ECG a hlavne predstavujeme niekoľko modelov hlbokého učenia na to, aby sme zistili, ktoré kroky UHF-ECG analýzy môžu byť hlbokým učením nahradené. Dáta použité na vývoj a validáciu modelov hlbokého učenia pochádzajú z 2 súkromných nemocníc (FNUSA-ICRC, Brno, Česko, FNKV Praha, Česko) a z 3 verejne dostupných databáz. Najprv boli predstavené dve metódy hlbokého učenia na detekciu QRS komplexu a odhad trvania QRS komplexu v jednom kroku inferencie. Pri úlohe detekcie sme získali celkové F1-skóre 98,84 ± 0,51 \% a pri úlohe odhadu trvania QRS komplexu strednú absolútnu chybu (MAE) 12,25 ± 2,16 ms. Táto metóda zvyšuje výkonnosť analýzy UHF-ECG a vďaka tomu môže výrazne skrátiť čas merania. Okrem toho bol vyvinutý regresný model na odstraňovanie stimulačných impulzov založený na tzv. conditional generative adversarial networks. Výsledky boli vyhodnotené na základe korelácie 15 priemerných vysokofrekvenčných obálok v oblasti QRS komplexu medzi výstupom modelu a cieľovým signálom. Výsledky ukazujú vyššiu koreláciu na spontánnych signáloch a pokles korelácie so zvyšujúcim sa frekvenčným pásmom. Napokon boli vytvorené dva modely konvolučených neurónových sietí (CNN) na odhad komorovej elektrickej dyssynchrónie (VED). Konkrétne CNN s vrstavmi v 1D a 2D. MAE medzi naším riešením a anotáciou je 12,61 ±18,95 ms a 12,27 ±17,73 ms pre 1D a 2D CNN. MAE na spontánnych signáloch je pre oba modely približne o 5 ms nižšia ako na stimulovaných údajoch, čo naznačuje potrebu odstrániť stimulačné impulzy. Tieto modely hlbokého učenia prinášajú redukciu pipeline predspracovania a zároveň poskytujú výstup v jednom kroku inferencie. V prípade modelu detekcie QRS a odhadu trvania QRS je zlepšenie výkonu oproti súčasnému riešeniu evidentné a tieto kroky súšasnej analýzy UHF-ECG by mohli byť hlbokým učením nahradené. Avšak pre odstránenie stimulačných impulzov a odhad parametrov VED je potrebné zlepšiť výkon pre reálne použitie.
Ultra-high-frequency ECG (UHF-ECG) analysis provides information about electrical ventricular dyssynchrony. Additionally, real-time UHF-ECG analysis enables direct optimization of the pacing electrode during pacemaker implantation. In this master thesis, we describe ventricular conduction abnormalities, the current method for UHF-ECG analysis and most importantly, we have developed several deep learning models to find out which steps of UHF-ECG analysis can be replaced by deep learning. Data used for the development and validation of the models come from 2 private hospitals (FNUSA-ICRC hospital, Brno, Czechia, and FNKV hospital Prague, Czechia) and from 3 publicly available datasets. First, we present two deep learning methods for QRS complex detection and QRS complex duration estimation in one inference step. We received an overall F1-score of 98.84 ± 0.51 \% for the detection task and a Mean Absolute Error (MAE) of 12.25 ± 2.16 ms for the QRS duration estimation task. This method enhances UHF-ECG analysis performance and therefore could significantly reduce measurement time. Furthermore, a regression model for pacing stimuli removal based on a conditional generative adversarial network was developed. The results were evaluated based on the correlation of 15 averaged high-frequency envelopes in the QRS complex region between the model output and the target signal. The results show a higher correlation on spontaneous than on paced data and a drop in correlation with the increasing frequency band. Last, two deep learning models with convolutional neural network (CNN) were created to estimate ventricular electrical dyssynchrony (VED). Specifically, one-dimensional (1D) and 2-dimensional (2D) CNN. The MAE between our solution and annotation is 12.61 ±18.95 ms and 12.27 ±17.73 ms for 1D and 2D CNN, respectively. MAE on spontaneous data is approximately 5 ms lower than on paced data for both models, indicating the need to remove the pacing stimuli. These deep learning models yield a reduction in the pre-processing pipeline while delivering output in a single inference step. For the QRS detection and QRS duration estimation model, the performance improvement over the current solution is evident and these steps of UHF-ECG analysis could be replaced by deep learning. However, for the removal of pacing stimuli and VED parameter estimation, it is required to improve the performance.
Keywords:
cGAN; EKG; hlboké učenie; komorová dyssynchrónia; LBBB; QRS; RBBB; UHF-ECG; UNet; cGAN; deep learning; ECG; LBBB; QRS; RBBB; UHF-ECG; UNet; ventricular dyssynchrony
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/210207
guest ::
