Экг фото с расшифровкой: сделать ЭКГ в сети клиник ЦМРТ в Санкт-Петербурге

Содержание

Расшифровка ЭКГ по фото — Вопрос кардиологу

Если вы не нашли нужной информации среди ответов на этот вопрос, или же ваша проблема немного отличается от представленной, попробуйте задать дополнительный вопрос врачу на этой же странице, если он будет по теме основного вопроса. Вы также можете задать новый вопрос, и через некоторое время наши врачи на него ответят. Это бесплатно. Также можете поискать нужную информацию в похожих вопросах на этой странице или через страницу поиска по сайту. Мы будем очень благодарны, если Вы порекомендуете нас своим друзьям в социальных сетях.

Медпортал 03online.com осуществляет медконсультации в режиме переписки с врачами на сайте. Здесь вы получаете ответы от реальных практикующих специалистов в своей области. В настоящий момент на сайте можно получить консультацию по 71 направлению: специалиста COVID-19, аллерголога, анестезиолога-реаниматолога, венеролога, гастроэнтеролога, гематолога, генетика, гепатолога, гериатра, гинеколога, гинеколога-эндокринолога, гомеопата, дерматолога, детского гастроэнтеролога, детского гинеколога, детского дерматолога, детского инфекциониста, детского кардиолога, детского лора, детского невролога, детского нефролога, детского офтальмолога, детского психолога, детского пульмонолога, детского ревматолога, детского уролога, детского хирурга, детского эндокринолога, дефектолога, диетолога, иммунолога, инфекциониста, кардиолога, клинического психолога, косметолога, логопеда, лора, маммолога, медицинского юриста, нарколога, невропатолога, нейрохирурга, неонатолога, нефролога, нутрициолога, онколога, онкоуролога, ортопеда-травматолога, офтальмолога, паразитолога, педиатра, пластического хирурга, проктолога, психиатра, психолога, пульмонолога, ревматолога, рентгенолога, репродуктолога, сексолога-андролога, стоматолога, трихолога, уролога, фармацевта, физиотерапевта, фитотерапевта, флеболога, фтизиатра, хирурга, эндокринолога.

Мы отвечаем на 97.48% вопросов.

Оставайтесь с нами и будьте здоровы!

Сделать ЭКГ с расшифровкой — Цены в клинике АрсВита и запись к врачу на консультацию Санкт-Петербург

Клиника АрсВита предоставляет пациентам услуги снятия ЭКГ в Санкт-Петербурге. Здесь установлено новейшее диагностическое оборудование, работают врачи высокой квалификации. Пациенты могут пройти все необходимые процедуры, получить консультацию кардиолога и других специалистов в одном месте. Врачи клиники уделяют каждому посетителю столько внимания, сколько требуется. Для оказания максимально эффективной медицинской помощи используют комплексный подход.

ЭКГ – суть методики

ЭКГ входит в обязательный диагностический минимум при обследовании пациентов с кардиологическими жалобами. Также она включается в плановые профилактические обследования. Метод дает возможность максимально оперативно получить сведения о работе сердечной мышцы. Предварительная подготовка к диагностической процедуре не требуется.

Во время исследования аппаратура регистрирует электрический потенциал, который возникает во время сердечной деятельности. Для этого на грудной клетке пациента размещают специальные датчики. Считанные сигналы при помощи самописца выводятся на движущуюся ленту бумаги или пленку. Полученный график и называют ЭКГ. Расшифрованные результаты исследований играют важную роль в диагностике различных кардиологических патологий.

Во время проведения исследования на организм не оказывается вредного воздействия, поэтому ЭКГ абсолютно безопасна для здоровья.

Показания к снятию ЭКГ

Кардиологи рекомендуют при отсутствии жалоб на работу сердечно-сосудистой системы делать ЭКГ ежегодно в профилактических целях. Это дает возможность в случае появления заболевания выявить его на ранней стадии, и своевременно начать лечение.

Показания к внеплановому проведению исследования:

  • подготовка к хирургическому вмешательству;

  • жалобы на болевые ощущения в области грудной клетки;

  • аритмия, одышка;

  • перенесенные заболевания, которые могут давать осложнения на сердце;

  • обследование беременных в 1 и 3 триместрах;

  • недомогание после физических нагрузок;

  • наблюдение хода лечения пациентов кардиологического профиля.

Противопоказания к проведению диагностической процедуры отсутствуют.

Запишитесь на процедуру ЭКГ в Санкт-Петербурге в клинике АрсВита по телефону или заполните на сайте онлайн форму записи. Также по телефону вы можете уточнить у специалистов медицинского центра стоимость диагностических процедур и другие вопросы.

 


Услуги кардиолога, Фрязино, Щелково, Ивантеевка, экг, кардиограмма с расшифровкой, платно

Кардиология (от от греч. kardía — сердце и греч. lógos — слово, учение) – раздел медицины, изучающий строение, функцию, болезни сердца и сосудов, причины их возникновения, механизмы развития, клинические проявления, диагностику. Кроме того, кардиология рассматривает методы лечения, профилактики, вопросы медицинской реабилитации больных с поражениями сердечно-сосудистой системы.

На фото Кругликова Анна Сергеевна


Сердечно-сосудистые заболевания – основная причина инвалидности и преждевременной смерти жителей экономически развитых стран. Сегодня доля этих заболеваний в структуре смертности составляет 40-60%, при этом продолжающийся рост заболеваемости и поражение людей все более молодого возраста, что делает сердечно-сосудистые заболевания важнейшей медико-социальной проблемой здравоохранения.

Врач:

    Кардиолог
    Кругликова Анна Сергеевна

      Обследования:

      1. Электрокардиография (ЭКГ с расшифровкой).
      2. Холтеровское мониторирование ЭКГ.
      3. Суточное мониторирование артериального давления (СМАД).
      4. УЗИ сердца (ЭХО-КГ) + допплерография

      Симптомы заболеваний, с которыми следует обращаться к кардиологу

      • боль либо неприятные ощущения в центре грудной клетки;
      • боль либо неприятные ощущения в руках, левом плече, локтях, челюсти, спине;
      • головокружения;
      • затруднения дыхания;
      • повышенная усталость;
      • повышенное артериальное давление;
      • набухание шейных вен;
      • онемение каких-либо частей тела.

      Заболевания из области кардиологии

      • ишемическая болезнь сердца: болезнь кровеносных сосудов, снабжающих кровью сердечную мышцу;
      • болезнь сосудов головного мозга;
      • болезнь периферических артерий: болезнь кровеносных сосудов, снабжающих кровью руки и ноги;
      • ревмокардит: поражение сердечной мышцы и сердечных клапанов в результате ревматической атаки, вызываемой стрептококковыми бактериями;
      • врожденный порок сердца: существующие с рождения деформации строения сердца;
      • тромбоз глубоких вен и эмболия легких: образование в ножных венах сгустков крови, которые могут смещаться и двигаться к сердцу и легким;
      • инфаркты и инсульты.

      сделать электрокардиографию в Москве, цены и адреса клиник АО Семейный доктор

      ЭКГ (электрокардиография)

      АО Семейный доктор — ЭКГЭлектрокардиография (ЭКГ) — это исследование электрической активности сердца. ЭКГ представляет собой неинвазивную диагностическую процедуру, осуществляемую с помощью датчиков, прикрепляемых к груди пациента, в ходе которой происходит регистрация возникающих при работе биоэлектрических потенциалов. Результаты фиксируются на специальной ленте самописца или в цифровом виде. Документ с результатами исследования называется кардиограммой (

      электрокардиограммой). Сделать ЭКГ, то есть получить электрокардиограмму необходимо при любых подозрениях на проблемы со стороны сердца. ЭКГ — это диагностический минимум, составляющий фундамент кардиологического обследования и лечения. ЭКГ является абсолютно безопасной процедурой. Ее смело можно делать детям, беременным и кормящим мамам.

      Специальной подготовки к ЭКГ не требуется. Однако перед прохождением электрокардиографии необходимо сообщить врачу о принимаемых лекарственных препаратах, поскольку их влияние может отразиться на результатах исследования.

      Процедура ЭКГ проста и не доставляет существенного дискомфорта. Для снятия электрокардиограммы необходимо будет лечь на кушетку. На грудь, ноги и руки прикрепляются электроды, которые подключаются к аппарату ЭКГ. Обычно требуется неподвижно полежать 5−10 минут, сохраняя естественный ритм дыхания. В некоторых случаях врач может попросить задержать дыхание.

      Где сделать ЭКГ в Москве

      Сделать ЭКГ в Москве вы можете в любой из поликлиник «Семейного доктора». Для этого необходимо посетить врача-кардиолога. Врач снимет электрокардиограмму и сделает её расшифровку. При необходимости вам сразу будет назначен курс лечения. Кардиограмма останется у вас, чтобы вы могли принести её на следующий прием, обратившись в любое медицинское учреждение. Уточнить стоимость ЭКГ, а также приёма врача-кардиолога вы можете ниже.

      Уважаемые пациенты!
      Обращаем Ваше внимание, что стоимость визита к врачу не всегда совпадает с указанной ценой приёма.
      Окончательная стоимость приема может включать стоимость дополнительных услуг.
      Необходимость оказания таких услуг определяется врачом в зависимости от медицинских показаний непосредственно во время приёма.

      ЭКГ (электрокардиограмма) ребенка, Cделать ЭКГ сердца ребенка с расшифровкой

      ЭКГ детям можно делать уже с первого года жизни. Это совершенно безопасный для ребёнка метод диагностики, который позволяет быстро и достоверно получить полную картину по работе сердечной мышцы.

      При проведении детского ЭКГ в Калуге важно присутствие грамотного медперсонала, а также квалифицированная расшифровка кардиологом. Работа сердца у детей отличается от взрослых — квалифицированный врач знает все особенности работы сердца у детей разных возрастов и способен диагностировать даже малейшие отклонения.

      В нашей клинике работают опытные детские кардиологи и квалифицированный медицинский персонал. Благодаря этому, у нас самое точное детское ЭКГ в Калуге.

      Показания для проведения ЭКГ детям в Калуге.

      Кардиограмма назначается маленьким пациентам при малейших подозрениях на болезни сердца.

      Поводами для этого могут служить следующие симптомы:

      • шумы в области сердца при прослушивании;
      • одышка у детей любых возрастов;
      • нарушение сердечного ритма;
      • недавно перенесённые инфекционные заболевания;
      • патологии внутренних органов;
      • наличие в семье наследственных сердечнососудистых заболеваний.

      ЭКГ детям в Калуге также делают перед любым оперативным вмешательством.

      Родителям не стоит бояться делать детям ЭКГ, так как это совершенно безопасная процедура. Тем более при наличии показаний только она может помочь определить источник даже малейших отклонений от нормы. Более того, многие педиатры назначают это исследование всем детям до года для того, чтобы исключить риск развития болезней сердца. Во многих роддомах его проводят в первые дни жизни ребёнка.

      Особенности детского ЭКГ в нашей клинике в Калуге.

      Детское ЭКГ в Калуге можно сделать в нашем эндохирургическом центре и здесь же получить грамотную расшифровку кардиолога.

      Многие дети боятся любых больничных процедур. Профессиональный персонал быстро находит общий язык с детьми, что позволяет нам делать ЭКГ детям в лёгкой и непринуждённой обстановке. Исследование проводится на самом современном оборудовании, которое не доставляет никакого дискомфорта ребёнку. Поэтому даже самые маленькие пациенты безбоязненно проходят у нас электрокардиограмму.

      Вы можете сделать детское ЭКГ по показаниям нашего врача или специалиста из другой клиники. В обоих случаях процедура выполняется с предельной внимательностью к пациенту. После, при необходимости, вы можете получить консультацию нашего детского кардиолога, который сделает заключение о работе сердца вашего ребёнка и даст необходимые рекомендации.

      Стоит знать, что в процессе взросления показатели работы сердца у детей изменяются, и норма у новорождённого может стать причиной для беспокойства для ребёнка постарше. Поэтому важно доверять эту процедуру только квалифицированному детскому кардиологу, который сможет грамотно идентифицировать показания ЭКГ.

      Для того чтобы сделать детское ЭКГ в Калуге, запишитесь на приём в нашей клинике. Вы получите максимально достоверный результат, а ребёнок при этом не испугается самого процесса.

      Сделать ЭКГ сердца с расшифровкой в Москве

      Сделать ЭКГ сердца с расшифровкой в Москве — цена прохождения электрокардиограммы в платной клинике ЦКБ РАН
      • МЕНЮ РАЗДЕЛА

      Меню раздела


      Акции


      Контакты


      Записаться на прием

      Оставьте свои контактные данные чтобы записаться на прием

      Заявка отправлена

      Наши специалисты свяжутся с вами в ближайшее время


      Последние новости


      Электрокардиограмма (ЭКГ) – это высокоинформативный и безопасный метод оценки состояния сердца путем исследования электрических полей, образующихся при его работе. Во время исследования пациент не получает никакого вредного воздействия, поэтому ЭКГ может проводиться многократно.
      Электрокардиография незаменима для диагностики нарушений ритма сердца и проводимости, ишемической болезни сердца, в том числе ее безболевой формы, инфаркта.
      Проведение электрокардиографии целесообразно в следующих ситуациях:

      • при болях в грудной клетке
      • при одышке, возникающей как в покое, так и при физической нагрузке
      • при любых заболеваниях сердца и сосудов (например, артериальной гипертонии, ишемической болезни сердца, инфаркте миокарда, нарушениях ритма и проводимости, миокардитах, эндокардитах, пороках сердца и др.)
      • при заболеваниях эндокринной системы
      • при заболеваниях дыхательной системы
      • перед любыми операциями и перед госпитализацией
      • при прохождении ежегодных профилактических осмотров
      • всем пациентам старше 45 лет

      Варианты электрокардиографического исследования:

      • ЭКГ в 12 отведениях 6-канальным электрокардиографом
      • ЭКГ в 12 отведениях одноканальным электрокардиографом
      • ЭКГ с медикаментозными пробами
      • ЭКГ с ортостатической пробой
      • ЭКГ с физической нагрузкой
      • ЭКГ с дополнительными отведениями

      Цены на услуги

      Название услуги Стоимость, руб

      Расшифровка, описание и интерпретация электрокардиографических данных

      700

      Регистрация, расшифровка, описание и интерпретация электрокардиографических данных (ЭКГ)

      1000

      Регистрация, расшифровка, описание и интерпретация ЭКГ в дополнительных отведениях (основное ЭКГ + дополнительное)

      1200

      Регистрация, расшифровка, описание и интерпретация ЭКГ в дополнительных отведениях (дополнительно к основному исследованию)

      150

      Фотографии отделения

      Запись на прием

      Заявка отправлена

      Наши специалисты свяжутся с вами, в ближайшее время

      Запись на прием по телефону

      Многоканальный

      • Адреса:
      • м. Ясенево, Литовский бульвар, д 1 А
      • м. Ленинский проспект, ул. Фотиевой, д.10
      • Время работы колл-центра:
      • Пн-Пт с 8:00 до 22:00
      • Сб-Вс с 9:00 до 18:00

      Online

      Заявка отправлена

      Мы перезвоним вам,
      в ближайшее время

      Нам важно ваше мнение о сайте.
      Пожалуйста, оставьте свой отзыв

      Оставить отзыв

      Центральная клиническая больница Российской академии наук Контакты:

      Адрес: Литовский бульвар, дом 1а Москва,

      Адрес: ул. Фотиевой, д. 10 Москва,

      Телефон:+7 (495) 400-47-33, Электронная почта: [email protected]

      Спасибо за обращение

      Мы получили вашу заявку и в ближайшее время с вами свяжется наш специалист

      Электрокардиограмма

      Специалисты клиники «Медгард» проводят электрокардиограмму сердца в покое, а также проводят расшифровку и интерпретацию диагностики.

      Электрокардиограмма (ЭКГ) – это метод диагностики состояния сердца, которая позволяет выявить как патологии работы всего сердца в целом, так и нарушения в работе миокарда, а также пространственное расположения органа в грудной клетке.

      ЭКГ определяет:

      • Ритмичность и частоту сердечных сокращений;
      • Острое или хроническое нарушение миокрады – сердечной мышцы;
      • Внутрисердечные проведения нервных импульсов;
      • Изменения электролитов в миокарде.

      Электрокардиограмма позволяет своевременно выявить такие болезни как: инфаркт миокарды, ишемия миокарды, блокады различного вида, гипертрофию левого желудочка, тромбоэмболия легочной артерии, аритмии, а также дистрофию или гипертрофию сердечной мышцы.

      Показания к проведению ЭКГ

      Данную диагностику проводят в плановом порядке – при поступлении в больницу, при подготовке к операции, или после проведения лечения (в том числе операционного) для оценки работы сердца.

      С целью профилактики ЭКГ будет назначено:

      • При повышенном уровне холестерина в крови
      • Людям возраста 40+
      • При ожирении
      • При атеросклерозе сосудов
      • При ранее перенесенных инфекционных заболеваниях
      • Для оценки профпригодности
      • При ревматизме

      Также в экстренных случаях:

      • При резко появившейся одышке
      • При болях в грудной клетке
      • При нарушениях сердечного ритма
      • При потери сознания

      Особой подготовки перед проведением ЭКГ не требуется, стоит предупредить врача о принимаемых препаратах.

      Как проводят электрокардиограмму в покое

      Пациент оголяется по пояс. После чего ложится на кушетку. Руки вытянуты вдоль туловища, ноги выпрямлены. На лодыжки, запястья и грудную клетку крепятся электроды. После подключения аппарата, в течение 1-2 минут делается запись. При необходимости врач просит вдохнуть и не дышать, для дополнительной записи информации.

      Расшифровка сердца: что такое ЭКГ?

      Если вы знакомы с нашим новейшим приложением Physiology & Pathology, то, возможно, заметили, что одним из инструментов, которые вы можете использовать вместе с бьющимся сердцем, является отслеживание ЭКГ. Выглядит это примерно так:

      Итак, что может сказать врачам набор закорючек о том, как работает чье-то сердце? На самом деле довольно много. Сегодня мы поговорим о том, что такое ЭКГ, об основах ее работы и о том, что именно она показывает врачам о сердце человека.

      Что такое ЭКГ?

      Начнем с самого простого вопроса: что такое ЭКГ? Самый простой ответ — это неинвазивный метод измерения электрической активности сердца во время сердечного цикла. Врачи могут видеть, сколько времени требуется электрическому сигналу, чтобы пройти через сердце, и насколько велики изменения напряжения при этом. Это может помочь им выяснить, нормальная или ненормальная частота сердечных сокращений у пациента, и не перегружаются ли определенные части сердца.

      Лучше всего то, что ЭКГ не причиняет пациенту боли (хотя снятие электродов после процедуры похоже на снятие повязки).

      Интересный факт: вы могли слышать ЭКГ, называемую ЭКГ. Это связано с тем, что Вильгельм Эйнтховен, человек, который впервые назвал метод и получил Нобелевскую премию за его открытие в 1924 году, работал в Нидерландах, поэтому он использовал голландский термин «электрокардиограмма» — то есть аббревиатуру EKG.

      Как проводится ЭКГ?

      Как вы измеряете то, что происходит в сердце, не копаясь в теле человека? Вы используете электроды, которые могут улавливать внутреннюю электрическую активность с поверхности кожи.Эти электроды подключены через провода к устройству, которое отображает записанное напряжение во времени.

      Изображение из отдела физиологии и патологии.

      Представленные сегодня ЭКГ называются «ЭКГ с 12 отведениями», потому что они используют 10 электродов для отображения 12 различных электрических «представлений» сердца. (Примечание. «Отведение» может относиться либо к самому электроду / проводу, либо к виду сердца, полученному с использованием комбинации электродов.) Шесть электродов помещаются на грудь пациента, и по одному электроду помещается на каждую из его конечностей.

      Что измеряет ЭКГ?

      Один цикл сердечного цикла проявляется в трех основных «волнах» на ЭКГ — зубце P, комплексе QRS и зубце T. Эти волны отражают деятельность системы электропроводности сердца, которая состоит из специализированных мышечных волокон.

      Зубец P
      Сердцебиение начинается с генерации электрического сигнала в синоатриальном узле (узле SA) — естественном кардиостимуляторе сердца — и этот сигнал впоследствии передается в атриовентрикулярный узел (узел AV).На ЭКГ это то, что представляет собой зубец P.

      Кадры из физиологии и патологии.

      Электрический сигнал, который начинается в узле SA и перемещается к узлу AV, стимулирует сокращение предсердий сердца, выталкивая кровь в желудочки. Помните — электрический сигнал возникает немного раньше, чем собственно мышцы!

      Интервал PR
      Интервал PR — это время между началом зубца P и началом (первым отклонением) комплекса QRS.

      Комплекс волны QRS
      Большой пик в середине ЭКГ — это комплекс QRS, который отражает электрические сигналы, приводящие к сокращению желудочков. Он состоит из нескольких волн, но обычно они группируются для анализа.

      Как только электрический сигнал достигает АВ-узла, он переходит в предсердно-желудочковый пучок (пучок Гиса), а затем проходит вниз по волокнам пучка к волокнам Пуркинье. Это стимулирует сокращение желудочков, выталкивая кровь из сердца через легочную артерию и аорту.

      Кадры из физиологии и патологии.

      Интервал ST
      Интервал ST или сегмент ST — это время между концом комплекса QRS и началом зубца T. Это означает, что он представляет собой «период нулевого потенциала между деполяризацией и реполяризацией желудочков» — другими словами, паузу между сокращением и восстановлением.

      Зубец Т
      Зубец Т представляет электрическую активность сердца, возвращающуюся к исходному уровню — реполяризацию желудочков.(Реполяризация предсердий происходит во время комплекса QRS, поэтому она не четко видна на показаниях ЭКГ.) После реполяризации желудочков мышцы желудочков расслабляются.

      Кадры из физиологии и патологии.

      Как ЭКГ помогает диагностировать сердечные заболевания?

      ЭКГ

      может помочь медицинским работникам выявлять и / или контролировать несколько типов сердечных заболеваний, включая аритмию, закупорку артерий, сердечную недостаточность, сердечные приступы и повреждение сердца.Обычно ЭКГ используется, когда у кого-то проявляются симптомы проблемы с сердцем, такие как боль в груди, головокружение, усталость или одышка.

      ЭКГ также помогают врачам измерять эффективность лечения, например, кардиостимуляторов и лекарств. Недавние технологии вскоре могут позволить ЭКГ выявлять эпизоды гипогликемии (низкого уровня сахара в крови) неинвазивным способом, что будет отличной новостью для людей с диабетом.

      Показания

      ЭКГ для определенных состояний сердца часто имеют определенные идентифицируемые характеристики в отношении различных волн и интервалов.Вот несколько примеров.

      Мерцательная аритмия — это аритмия, при которой предсердия сердца не работают нормально — хаотические электрические сигналы заставляют их дрожать, а не сокращаться в обычном ритме. Без лечения AFib может привести к тому, что у человека в два раза больше шансов умереть от сердечной причины и в пять раз больше шансов пострадать от инсульта.

      На ЭКГ AFib можно определить по отсутствию нормального зубца P. Волна QRS все еще присутствует, но возникает нерегулярно.

      Пилообразный зубец P характерен для трепетания предсердий, которое отличается от мерцательной аритмии, но тесно связано с ним.

      Аномалии сегмента ST могут означать несколько вещей в зависимости от их природы и от того, на каких отведениях / электродах они видны. Сдавление сегмента ST в некоторых отведениях может указывать на ишемию, что означает, что нарушение кровотока в ткани сердца лишает эту ткань кислорода. Повышение ST в некоторых отведениях может быть признаком инфаркта миокарда (ИМ), также известного как сердечный приступ.ИМ случается, когда происходит отмирание тканей в результате закупорки коронарных артерий, не позволяющей адекватному количеству крови достичь сердечных мышц.

      По сути, ЭКГ является важным инструментом в кардиологии, потому что медицинские работники должны иметь возможность оценивать работу проводящей системы сердца, чтобы диагностировать и отслеживать сердечные заболевания, такие как аритмии и повреждение миокарда.

      Если вы хотите узнать больше о сердечном цикле и сердечно-сосудистых патологиях, загляните в раздел «Психология и патология» и посмотрите, как бьется сердце в действии!


      Не забудьте подписаться на блог Visible Body , чтобы узнать больше об анатомии!

      Вы инструктор? У нас есть отмеченные наградами 3D-продукты и ресурсы для вашего курса анатомии и физиологии! Узнайте больше здесь.


      Дополнительные источники:

      Как читать электрокардиограмму (ЭКГ / ЭКГ)

      Обновлено: 06.04.2020

      Обычный, нерегулярный, быстрый, медленный, широкий, узкий, стабильный, нестабильный. Приводит ли просмотр ЭКГ в 12 отведениях ваше собственное сердце в смертельный ритм? Медсестры обычно первыми читают эту «горячую» ЭКГ-запись. ЭКГ в 12 отведениях считается золотым стандартом; однако ЭКГ в 4 отведениях также может диагностировать различные сердечные заболевания.

      Эта статья была проверена группой опытных медсестер:

      • Тайлер Фауст, MSN, RN
      • Chaunie Brusie, BSN, RN
      • Кэтлин Кодувелл Гейнс, BSN, RN, BA, CBC

      Что такое ЭКГ?

      Перед интерпретацией ЭКГ важно знать, что такое ЭКГ и ее важность. ЭКГ — это изображение электрической активности сердечной мышцы, изменяющейся во времени, обычно печатается на бумаге для облегчения анализа.ЭКГ — это распечатанный снимок короткого момента времени.

      ЭКГ

      можно использовать для диагностики сердечных приступов, проблем с сердцем, включая электрические сбои, и других проблем с сердцем. Их часто используют для диагностики проблем с сердцем в сочетании с эхокардиограммой или эхосигналом.

      >> По теме: Как стать специалистом по ЭКГ

      7 шагов к чтению ЭКГ / ЭКГ

      Как узнать, что нужно действовать немедленно или можно дождаться консультации специалиста? Вот семь советов, которые помогут вам обрести уверенность в интерпретации увиденного.

      1. Оцените своего пациента

      Это должно быть первым! Есть много подсказок, которые вы можете узнать при получении ЭКГ, которые помогут вам анализировать то, что вы видите, и действовать в соответствии с ними.

      • Кожа пациента теплая и сухая или влажная и липкая?
      • Как их цвет?
      • У них болит грудь?
      • Можете ли вы ощутить периферический пульс?
      • Ваш пациент разговаривает с вами или ему трудно отдышаться?
      • Какое у них наполнение капилляров?
      • Есть ли у них сердечные заболевания?
      • Какова их исходная физическая активность?
      • Делали ли они раньше ЭКГ?
      • Были ли у них когда-либо диагностированы сердечные заболевания?

      Просмотр листа бумаги с начертанием на нем не дает достаточно информации.Частота сердечных сокращений 38 может быть нормой для спортсмена. Но также может потребоваться немедленная установка кардиостимулятора, если это сопровождается болью в груди, одышкой и интерпретацией ЭКГ блокады сердца третьей степени²

      2. Знай свои нормы

      Не обращайте внимания на все сложные детали, когда вы только начинаете читать и интерпретировать ЭКГ. Нормальный сердечный ритм включает зубец P, QRS и зубец T.³ Знание нормальной амплитуды, отклонения и продолжительности каждого компонента важно для точной интерпретации ритма и ЭКГ.

      • Амплитуда: Измеряет напряжение биений и определяется тем, насколько высоко достигает волна, как измерено каждым квадратом по вертикали на графике. 10 мм = 1 мВ. 5 квадратов = 0,5 мВ и 2,5 квадрата = 0,25 мВ
      • Отклонение: Который ведет к пациенту, он исходит от
      • Продолжительность: Какова ее длина, измеренная квадратами, идущими по горизонтали?

      Какая частота пульса у взрослого человека нормальная?

      • Нормальный = 60 — 100 ударов в минуту
      • Тахикардия> 100 уд / мин
      • Брадикардия <60 уд / мин

      Нормальные значения ЭКГ / ЭКГ в 12 отведениях
      Волна / интервал Значения
      P волна Амплитуда: 2-2.Высотой 5 мм (или 2,5 квадрата)
      Отклонение: + в I, II, AVF, V2-V6
      Продолжительность: 0,06 — 0,12 с
      Интервал PR Продолжительность: 0,012 — 0,20 с
      Комплекс QRS Амплитуда: высота 5-30 мм
      Отклонение: + в I, II, III, AVL, AVF, V4-V6
      Продолжительность: 0,06 — 0,10 с
      Сегмент ST Продолжительность: 0,08 — 0,12 с
      T Волна Амплитуда: 0,5 мм в отведениях от конечностей
      Отклонение: I, II, V3-V6
      Продолжительность: 0.1 — 0,25 с (или больше)
      Интервал QT Продолжительность: 0,36 — 0,44 с

      Отведения и вид сердца
      Свинец Сердце, вид
      Низший II, III, AVF
      Боковое I, AVL, V5, V6
      Передний V2, V3, V4
      Правое предсердие и полость левого желудочка V1 и AVR

      Двенадцать отведений показывают электрический ток, проходящий через сердце с разных плоскостей.Думайте о каждом отведении как о другом снимке сердца, которое вы пытаетесь интерпретировать.

      Имеется шесть конечностей (I, II, III, AVR, AVL, AVF) и шесть прекардиальных (V1-V6) отведений. Отведения от конечностей смотрят на сердце с вертикальной точки зрения; V-образные отведения показывают горизонтальную перспективу.

      Помните об этом, это поможет вам интерпретировать то, что вы видите, и определить, какие области сердца могут «болеть» или иметь повреждение.

      Программы медсестер Show Me

      3.Используйте систематический подход

      Подходите к анализу ЭКГ в 12 отведениях каждый раз одинаково.

      Сначала определите частоту и наличие тахикардии (более 100 ударов в минуту) или брадикардии (менее 60 ударов в минуту). Затем определите, регулярный или нерегулярный у вас ритм; вы можете использовать штангенциркуль, если они у вас есть, или использовать простой лист бумаги и отслеживать свои зубцы P и комплексы QRS с помощью карандашной отметки и видеть, идут ли они вдоль или есть промежутки.

      Во-первых, определите, является ли ваш ритм регулярным или нерегулярным; вы можете использовать штангенциркуль, если они у вас есть, или использовать простой лист бумаги и отслеживать свои зубцы P и комплексы QRS с помощью карандашной отметки и видеть, идут ли они вдоль или есть промежутки.

      После этого определите, какой у вас ритм: быстрый или медленный, нерегулярный или регулярный (подробнее об этом в следующем разделе).

      Наконец, исследуйте сегменты ST на предмет подъема или депрессии; опять же, вы можете использовать лист бумаги, чтобы оценить это. Если вы можете определить подъем или депрессию без помощи бумаги, будьте готовы действовать и немедленно сообщить об этом врачу.

      4. Определите частоту пульса

      Посмотрите на ЭКГ, чтобы увидеть, нормальная ли частота и как быстро бьется сердце; оба важны для интерпретации ритма.Темп, в котором проводится ритм, может помочь определить стабильность ритма. Стабильный ритм часто коррелирует со стабильным пациентом. Медленное или быстрое может быть «хорошим» или «плохим» в зависимости от состояния пациента и соответствующего ритма.

      Частота обычно определяется тем, какая электрическая цепь «проводит» сердце. Ритмы, проводимые над предсердиями, обычно выше 60 и имеют тенденцию быть ненормальными при высокой частоте (трепетание предсердий, фибрилляция предсердий, наджелудочковая тахикардия).Ритмы, проводимые ниже предсердий, медленнее и имеют тенденцию быть нестабильными, если частота нерегулярна (блокада сердца).

      Еще один комментарий по поводу оценки: знайте, какие лекарства принимает ваш пациент. Многие сердечные препараты обладают бета-адренергическим действием, которое коррелирует с замедлением сердечного ритма, например, бета-блокаторами.

      Важно определить, является ли пульс регулярным или нерегулярным. Регулярный сердечный ритм имеет все аспекты, о которых говорилось ранее.

      Нерегулярные ритмы могут быть:

      • Регулярно нерегулярные (т.е. повторяющийся узор нерегулярности)
      • Необычно нерегулярные (т. Е. Полностью дезорганизованные)

      Чтобы определить, является ли ритм регулярным, отметьте несколько последовательных интервалов R-R на листе бумаги, затем перемещайте их по полосе ритма, чтобы проверить, совпадают ли последующие интервалы.

      5. Определите летальные ритмы

      При оценке летальных ритмов на ЭКГ в 12 отведениях важно помнить, что один ритм может быть летальным, как и то, что ЭКГ показывает вам с точки зрения функции сердца.

      Ритм, который плохо перфузируется, может быстро привести к надвигающейся сердечной недостаточности, если его не устранить.

      Некоторые опасные сердечные ритмы:

      • Mobitz Тип II (Блок сердца Тип 2)
      • Блок сердца третьей степени
      • Желудочковая тахикардия
      • Идиовентрикулярные ритмы

      Другие потенциально опасные сердечные ритмы:

      • Мерцание предсердий
      • Трепетание предсердий
      • Атриовентрикулярная узловая возвратная тахикардия (АВНРТ)
      • Атриовентрикулярная реентрантная тахикардия (АВРТ)
      • Внематочные предсердные ритмы
      • Атриовентрикулярная (АВ) блокада первой степени
      • Функциональные ритмы
      • Мультифокальная предсердная тахикардия (МАТ)
      • Атриовентрикулярная (АВ) блокада второй степени, тип I (Венкебах)
      • Атриовентрикулярная (АВ) блокада второй степени, тип II E
      • Атриовентрикулярная (АВ) блокада третьей степени
      • Желудочковая тахикардия (ЖТ)
      • Кардиостимулятор блуждающего предсердия (WAP)
      • Бифасцикулярная блокада
      • Блокада переднего левого пучка (LAFB)
      • Увеличение левого предсердия (LAE)
      • Блок левой связки (LBBB)
      • Блокада заднего фациального левого сустава (LPFB)
      • Гипертрофия левого желудочка (ГЛЖ)
      • Плохое прогрессирование зубца R
      • Увеличение правого предсердия (RAE)
      • Блок правой связки (RBBB)
      • Гипертрофия правого желудочка (RVH)
      • Трехпучковая блокировка

      Когда дело доходит до работы сердца, вид (отведение), на которое вы смотрите, будет определять, какую часть сердца вы пытаетесь интерпретировать.Это особенно важно при анализе аномалий сегмента ST. Местоположение инфаркта определяет, какое лечение следует использовать для улучшения оксигенации сердца и минимизации повреждений.

      Программы медсестер Show Me

      6. Доступ к своим ресурсам

      Есть много замечательных ресурсов, доступных для ознакомления, а также практических занятий по ЭКГ для совершенствования своих навыков.

      Чем больше вы знакомы с разными ритмами, тем легче становится их интерпретация.Не забывайте, что ваши коллеги также являются отличными ресурсами; сообщите им, что вы работаете над своими навыками интерпретации ЭКГ в 12 отведениях, и попросите их сохранить интересные записи для вашего обзора.

      Любимый ресурс по интерпретации ЭКГ — невероятно простая интерпретация ЭКГ. Мне также очень нравятся веб-сайты, на которых можно бесплатно практиковать ритм-полоски и интерпретацию ЭКГ, например PracticalClinicalSkills.com.

      7. Посмотрите на своего пациента

      Да, это повтор, но это повторение важное.Самый стабильный ритм может быть смертельным, если он не соответствует тому, что вам говорит пациент. И если ваши результаты ЭКГ полностью не связаны с тем, что вы видите у своего пациента, вам также следует дважды проверить свои отведения, чтобы убедиться, что они правильно подключены, не отсоединились или имеют какие-либо помехи, так как правильное размещение отведений имеет решающее значение. к точной интерпретации.

      Доверяйте своей интуиции; медсестры обладают прекрасной интуицией — не бойтесь задавать вопросы и искать дополнительную информацию, когда чувствуете, что что-то не так.

      Носите эту карточку на значке для получения помощи

      Нам нравится этот карманный справочник для удостоверения личности с вертикальным значком линейки ЭКГ ЭКГ, как и многие наши друзья медсестры! Он включает в себя обзор ЭКГ, основную терминологию и линейку ЭКГ.

      В этом разделе есть партнерские ссылки.

      Вакансии, требующие знания ЭКГ / ЭКГ

      Знание ЭКГ / ЭКГ требуется для многих медсестер. Телеметрические, кардиологические и понижающие устройства требуют определенного уровня навыков.Медсестры, заинтересованные в работе в отделении интенсивной терапии или кардиологии, должны уметь читать ЭКГ. Эти вакансии также востребованы.

      Или, возможно, вы готовы сделать следующий шаг в своей карьере медсестры через программу RN to BSN или RN to MSN. Воспользуйтесь нашим инструментом поиска, чтобы найти нужную программу в вашем районе.

      Источники

      Доун Грей, штат Джорджия, работает медсестрой с 1987 года и большую часть своей карьеры провела в отделениях интенсивной терапии и неотложной помощи.Она написала несколько глав для журнала Fast Facts for the Triage Nurse, опубликованного в 2015 году издательством Springer Publishing. Рассвет любит сталкиваться с трудностями и решать сложные ситуации, а также помогать другим медсестрам улучшить качество стационарного лечения.

      приложение ЭКГ | Приложение для анализа данных ЭКГ / ЭКГ | Интернет-считыватель ЭКГ

      Использование инструментов анализа ЭКГ, ВСР и оси сердца

      Модуль анализа ЭКГ

      LabChart предоставляет вам точный и эффективный способ интерпретации морфологии кривой ЭКГ для поддержки широкого спектра областей сердечно-сосудистых исследований, таких как:

      • Исследования аритмии
      • Сердечно-сосудистые заболевания и дисфункция миокарда
      • Фармакологическое воздействие на здоровье сердца
      • Вариабельность сердечного ритма (ВСР)
      • Кардиомиопатия
      • Гипертония
      • Физические упражнения и исследования обмена веществ
      • Ожирение
      • Продуктивность животных и стресс
      • Изолированные сердца

      Программное обеспечение для анализа автоматически обнаруживает и сообщает о начале, амплитудах и интервалах зубцов P, Q, R, S и T в режиме реального времени или после записи данных, что позволяет легко интерпретировать и идентифицировать отклонения в записях ЭКГ.

      Наше программное обеспечение поддерживает измерения с имплантируемых телеметрических устройств, а также с поверхностных и внутрисердечных электродов — в сочетании с нашими биоусилителями для обеспечения чистого сигнала ЭКГ. Записи можно анализировать с помощью наших существующих настроек обнаружения, охватывающих множество различных моделей животных, включая:

      • Человек
      • Свинья
      • Собака
      • Кролик
      • Морская свинка
      • Крыса
      • Мышь

      Кроме того, необработанные данные не изменяются расчетами, что гарантирует повторный анализ электрокардиограммы.Модуль анализа ЭКГ подходит для ПК под управлением Windows и входит в состав LabChart Pro или может быть приобретен отдельно. Представления диаграммы, классификации ударов, таблицы и усреднения связаны для быстрой и несложной навигации к интересующим точкам данных, с легко заметными ручными / пользовательскими изменениями данных, отмеченными красным.

      Получите максимальную отдачу от своих сердечно-сосудистых данных, объединив модуль анализа ЭКГ с некоторыми дополнительными модулями LabChart, такими как:

      Cardiac Axis — надстройка калькулятора оси сердца для LabChart, которая автоматизирует расчет электрокардиограмм во фронтальной плоскости и анимирует отображение вектора сердца.

      HRV — детектор порога зубца R определяет и рассчитывает изменение интервала между ударами ЭКГ, чтобы автоматически классифицировать сокращения как нормальные, эктопические или артефакты (также может использоваться с сигналом артериального пульса).

      PV Loop — специально разработан для анализа данных желудочкового давления и объема in vivo у мелких и крупных животных или ex vivo с использованием работающих сердечных систем.

      Peak Analysis — обеспечивает автоматическое обнаружение и анализ нескольких неперекрывающихся пиков сигнала.

      Электрокардиография с использованием искусственного интеллекта для лечения сердечно-сосудистых заболеваний

      Интерпретация ЭКГ квалифицированным кардиологом основана на достоверных знаниях о том, что является нормальным, а что ненормальным, на основе более чем столетнего опыта оценки ЭКГ при лечении пациентов и на основе наше понимание электропатофизиологии различных сердечных заболеваний. Несмотря на огромный потенциал для понимания сердечного здоровья и заболеваний на основе экспертной интерпретации ЭКГ, получение информации ограничено конечной способностью интерпретатора обнаруживать отдельные характеристики или закономерности, соответствующие установленным правилам.Однако на виду могут быть скрыты тонкие сигналы и закономерности, не соответствующие традиционным знаниям и не распознаваемые человеческим глазом. Использование мощи методов глубокого обучения ИИ вместе с доступностью больших наборов ЭКГ и клинических данных, разработка инструментов для систематического извлечения характеристик ЭКГ и их связи с конкретными сердечными диагнозами стало возможным. Конечно, некоторые состояния не отражаются в ЭКГ, которые не может устранить даже ИИ-ЭКГ — даже если эти технологии могут видеть за пределами возможностей опытного читателя, они не могут видеть то, чего нет.В этом разделе мы рассмотрим последние достижения в применении методов глубокого обучения ИИ к ЭКГ в 12 отведениях для выявления бессимптомных сердечно-сосудистых заболеваний, которые могут быть не очевидны даже для глаз эксперта.

      Обнаружение систолической дисфункции ЛЖ

      Систолическая функция левого желудочка, традиционно определяемая количественно как ФВЛЖ с помощью эхокардиографии, является ключевым показателем сердечной функции. Снижение ФВЛЖ определяет большую подгруппу пациентов с сердечной недостаточностью, но снижение ФВЛЖ может протекать бессимптомно в течение долгого времени, прежде чем какие-либо симптомы повлекут за собой оценку.Действительно, до 6% людей в сообществе могут иметь бессимптомную дисфункцию ЛЖ (ФВЛЖ <50%) 16 . Низкий ФВЛЖ имеет как прогностические, так и управленческие последствия 17 . Обнаружение низкого ФВЛЖ должно вызвать тщательную оценку любых обратимых причин, которые следует устранять своевременно, чтобы минимизировать степень необратимого повреждения миокарда. Раннее начало оптимальной медикаментозной терапии может привести к улучшению систолической функции ЛЖ и качества жизни, но также может снизить заболеваемость и смертность от сердечной недостаточности 18 .Однако при отсутствии симптомов идентификация этих пациентов остается проблемой, и, следовательно, бессимптомная дисфункция ЛЖ может быть недооценена. Было исследовано несколько подходов к скринингу пациентов на бессимптомную систолическую дисфункцию ЛЖ, включая факторы риска, стандартную ЭКГ в 12 отведениях, эхокардиографию и измерение уровней циркулирующих биомаркеров 19,20,21 . Однако ни один из этих подходов не обладает достаточной диагностической точностью или рентабельностью, чтобы клинически оправдать рутинное внедрение.

      Продемонстрирован потенциал AI – ЭКГ как маркера бессимптомной дисфункции ЛЖ. С использованием связанных ЭКГ и эхокардиографических данных 44 959 пациентов в клинике Мэйо (Рочестер, Миннесота, США), CNN была обучена выявлять пациентов с дисфункцией ЛЖ, определяемой как ФВ ЛЖ ≤35% с помощью эхокардиографии, на основе Только ЭКГ 22 . Затем модель была протестирована на полностью независимой группе из 52 870 пациентов, и ее AUC составила 0,93 для выявления дисфункции ЛЖ с соответствующей чувствительностью, специфичностью и точностью 93.0%, 86,3% и 85,7% соответственно. У лиц, у которых CNN, по-видимому, неверно обнаружила дисфункцию ЛЖ (очевидные ложноположительные тесты), у тех, у кого был положительный тест на ИИ, в четыре раза больше вероятность развития дисфункции ЛЖ в течение среднего периода наблюдения в 3,4 года, чем у лиц с отрицательным результатом скрининга ИИ, что позволяет предположить способность модели обнаруживать дисфункцию ЛЖ даже до снижения ФВЛЖ, измеренного с помощью эхокардиографии. Подобно парадигме ишемического каскада при инфаркте миокарда и ишемической болезни сердца, доклинический каскад изменений на клеточном уровне (таких как изменения гомеостаза кальция) и механических функциональных изменений (таких как аномальная лузитропия и скорость деформации) может отражаться на ЭКГ и обнаружение с помощью обученной модели CNN AI – ECG с глубоким обучением.Это наблюдение повышает вероятность того, что эту модель можно использовать для выявления пациентов с ранней или субклинической дисфункцией ЛЖ или даже пациентов с нормальной функцией желудочков, которые подвержены риску сердечной недостаточности. В ходе последующей проспективной проверки в нашей группе алгоритм AI – ЭКГ был применен у 3874 пациентов, которым была выполнена трансторакальная эхокардиография и запись ЭКГ в течение 30 дней 23 . У этих пациентов алгоритм смог определить ФВЛЖ ≤35% со специфичностью 86,8% 82.Чувствительность 5% и точность 86,5% (AUC 0,918). Этот алгоритм прошел внешнюю апробацию у пациентов с одышкой, обратившихся в отделение неотложной помощи 24 . Усилия по валидации в многоцентровой международной когорте также продолжаются. Следует отметить, что алгоритм также продемонстрировал высокую точность определения низкого ФВЛЖ при применении к ЭКГ в одном отведении, что позволяет применять его с использованием электродов на базе смартфона или даже на основе стетоскопа.

      Хотя требуется дальнейшее тщательное клиническое тестирование исходов для пациентов, эти данные подчеркивают, что AI – ЭКГ является потенциальным средством преодоления ограничений ранее проверенных скрининговых биомаркеров на бессимптомную дисфункцию ЛЖ.Другие будущие применения алгоритма AI – ECG для обнаружения дисфункции ЛЖ могут включать продольный мониторинг пациентов с установленной застойной сердечной недостаточностью, получающих медикаментозную терапию, прогнозирование риска возникновения кардиомиопатии у пациентов, получающих кардиотоксическую химиотерапию, у которых проводится кардиопротекторная терапия. может быть назначен профилактически или продолжительное наблюдение за пациентами с пороком клапанов сердца, у которых развитие дисфункции ЛЖ будет означать показание к хирургическому вмешательству.Кроме того, FDA выдало разрешение на экстренное использование алгоритма AI-ЭКГ в 12 отведениях для выявления дисфункции ЛЖ у пациентов с коронавирусной болезнью 2019 (COVID-19) 25 . Возможно также широкое клиническое применение в других областях.

      Обнаружение тихой ФП на ЭКГ с синусовым ритмом

      ФП предвещает повышенный риск ухудшения качества жизни, инсульта и сердечной недостаточности и приводит к частым посещениям отделения неотложной помощи и частой госпитализации.Среди пациентов с эмболическим инсультом неустановленного источника (ESUS), ранее называвшимся «криптогенным инсультом», у которых проводится 30-дневный мониторинг ритма, около 15% имеют ранее не диагностированную пароксизмальную AF 26 . У этих пациентов антикоагулянтная терапия снижает частоту рецидивов инсульта и может снизить смертность, тогда как при отсутствии документально подтвержденной ФП антикоагуляция не дает клинической пользы и увеличивает риск кровотечения 27,28 . Однако диагноз ФП может быть неуловимым, потому что до 20% пациентов полностью бессимптомны, а еще примерно у одной трети пациентов наблюдаются атипичные симптомы 29 .Более того, у многих пациентов ФП бывает только перемежающейся (или пароксизмальной). Несмотря на обширные исследования по этой теме, ценность скрининга людей на ФП остается предметом дискуссий, и Целевая группа профилактических служб США заявляет, что данных в настоящее время недостаточно, чтобы рекомендовать рутинный скрининг на ФП среди населения в целом 30 .

      В недавнем исследовании Apple Heart Study 31 , крупнейшей практической оценке скрининга ФП среди населения в целом с использованием технологии фотоплетизмографии с умными часами, 0.52% участников получали уведомления о возможной ФП в среднем за более чем 3 месяца мониторинга. Примерно у одной трети этих людей ФП была позже подтверждена недельным мониторинговым ЭКГ. Это открытие предполагает, что, хотя массовый скрининг неизбираемых популяций возможен с использованием современных технологий, результативность этого подхода невысока, а клинический эффект неопределен. Простые и высокоточные подходы к выявлению бессимптомной пароксизмальной ФП были бы важны для отбора пациентов для раннего назначения пероральных антикоагулянтов для предотвращения заболеваемости и смерти, связанных с ФП.

      Для оценки вероятности тихой ФП группа исследователей из клиники Мэйо разработала CNN для прогнозирования ФП на основе стандартной ЭКГ в 12 отведениях, полученной во время синусового ритма 32 . Алгоритм был разработан с использованием почти полумиллиона сохраненных в цифровом виде ЭКГ от 126 526 пациентов и прошел валидацию и тестирование в отдельных внутренних наборах данных. В модели применялись свертки по временной оси и по нескольким отведениям для извлечения морфологических и временных характеристик во время процессов обучения и проверки (рис.1а). Пациенты, у которых хотя бы одна ЭКГ показывала ФП в течение 31 дня после ЭКГ с синусовым ритмом, были классифицированы как пациенты с положительной реакцией на ФП. В наборе данных тестирования алгоритм продемонстрировал AUC 0,87, чувствительность 79,0%, специфичность 79,5% и точность 79,4% при выявлении пациентов с документацией ФП с использованием только информации из ЭКГ синусового ритма 32 . Следовательно, алгоритм может обнаруживать почти сопутствующую нераспознанную ФП, а не прогнозировать долгосрочный риск ФП. Концептуально этот инструмент искусственного интеллекта преобразует обычную ЭКГ в 10 отведениях и 12 отведениях в эквивалент инструмента длительного мониторинга ритма (рис.1b), хотя продолжительность «мониторинга» и его доходность требуют подтверждения. Кроме того, этот инструмент может быть применен задним числом к ​​сохраненным в цифровом виде ЭКГ пациентов с предыдущим ESUS. Этот алгоритм может облегчить целенаправленное наблюдение за ФП (например, использование амбулаторного пластыря для мониторинга ритма или имплантируемого петлевого регистратора) в подгруппах пациентов с высоким риском. Эта работа является предварительной, но в настоящее время мы оцениваем эффективность этого алгоритма при выявлении пациентов, которым может быть полезен проспективный скрининг или мониторинг ФП (с холтеровским или расширенным мониторингом) и, в конечном итоге, различные стратегии профилактики инсульта.Мы также отмечаем, что другие группы разработали аналогичные инструменты для прогнозирования риска ФП, которые исследуют другие электрофизиологические параметры, такие как анализ усредненных по сигналу ЭКГ-волн P 33 .

      ЭКГ повсеместно выполняются для различных целей скрининга, диагностики и мониторинга, что открывает широкие возможности для применения этого алгоритма. Конечная клиническая полезность этого подхода будет определяться наблюдаемыми положительными и отрицательными прогностическими значениями алгоритма при применении к данной популяции, а также стоимостью и последующими последствиями, особенно для исходов пациентов, связанных с последующим диагностическим тестированием и терапией.

      В отличие от традиционных моделей прогнозирования риска, которые содержат предопределенные переменные, описанная выше CNN является агностической, потому что мы не знаем, какие функции ЭКГ «видит» CNN и какие факторы определяют ее эффективность. Эффективность алгоритма, вероятно, будет основана на комбинации сигнатур ЭКГ, которые являются известными факторами риска ФП (такими как гипертрофия ЛЖ, амплитуда зубца P, эктопия предсердий и вариабельность сердечного ритма), а также других, которые в настоящее время неизвестны или не очевидны для человеческого глаза в сочетании нелинейным образом 34 .ЭКГ также может содержать информацию, которая коррелирует с известными клиническими факторами риска.

      Инструменты ЭКГ и ритма с ИИ при лечении ФП

      Помимо скрининга людей на тихую ФП, CNN также могут быть созданы на основе ЭКГ или других данных мониторинга ритма (в том числе полученных из постоянно имплантированных сердечных устройств) для стратификации риск инсульта и более точное принятие решения о применении пероральных антикоагулянтов. При анализе с использованием данных имплантированных сердечных устройств у> 3000 пациентов с ФП (включая 71 пациента с инсультом) были разработаны три различных контролируемых модели машинного обучения сигнатур бремени ФП для прогнозирования риска инсульта (случайный лес, CNN и L1 регуляризованный). логистическая регрессия) 35 .В тестируемой когорте модель случайного леса имела AUC 0,66, модель CNN имела AUC 0,60, а модель регуляризованной логистической регрессии L1 имела AUC 0,56. Напротив, оценка CHA 2 DS 2 –VASc, наиболее широко используемая в современной практике схема прогнозирования инсульта 36 , имела AUC 0,52 для прогнозирования инсульта. Однако самый высокий AUC (0,63) был достигнут, когда оценка CHA 2 DS 2 –VASc была объединена с моделями случайного леса и CNN 35 , что указывает на прогностическую силу подходов, сочетающих модели, обогащенные ИИ, с традиционными. клинические инструменты.Производительность этой модели по-прежнему довольно скромная. Интеграция дополнительной информации из истории болезни, визуализационных тестов и циркулирующих биомаркеров может еще больше улучшить стратификацию риска, но эта задача выходит за рамки текущих возможностей искусственного интеллекта. Например, в неконтролируемом кластерном анализе приблизительно 10 000 пациентов с ФП в регистре ORBIT-AF, включая клинические данные для конкретного пациента, лекарственные препараты и лабораторные данные, данные ЭКГ и визуализации, были идентифицированы четыре клинически значимых фенотипа ФП, каждый с четко выраженными характеристиками. ассоциации с клиническими исходами (низкая коморбидность, поведенческая коморбидность, имплантация устройства и кластеры атеросклеротической коморбидности) 37 .Однако, хотя это открытие предлагает подтверждение концепции, клиническая полезность этих кластеров еще не продемонстрирована. Есть надежда, что стратегии лечения, специфичные для фенотипа, приведут к лучшим результатам для пациентов, но требуется тестирование.

      Полностью автоматизированная платформа со встроенной электронной историей болезни, оснащенная возможностями AI – ECG и другими передовыми методами машинного обучения, включая обработку естественного языка, может быть обучена сбору данных ЭКГ, шаблонов AF и других диагностических тестов или даже клинических отмечает, чтобы постоянно оценивать риск инсульта.Когда обнаруживается высокий риск инсульта, клиницист получает предупреждение, и своевременное начало антикоагуляции может предотвратить потенциально разрушительное неблагоприятное клиническое явление. Точно так же моделирование риска инсульта в реальном времени может быть реализовано на основе информации, собранной с помощью носимых технологий ЭКГ или ориентированных на потребителя технологий ЭКГ на базе смартфонов. В конечном итоге потребуется разработка простого в реализации инструмента, который предоставляет клинически действенные данные, полностью проверенные и проверенные, чтобы можно было принимать меры по профилактике инсульта.

      Выявление HCM

      HCM редко встречается в общей популяции, с оценочной распространенностью от 1 на 200 до 1 на 500 человек 38,39 . Однако ГКМП является одной из основных причин внезапной сердечной смерти среди подростков и молодых людей. ГКМП также ассоциируется со значительной заболеваемостью во всех возрастных группах 40 . За последние 15 лет интерес был сосредоточен на скрининге групп риска на ГКМП. Этот интерес часто разжигается широко разрекламированными внезапными смертельными случаями спортсменов и других молодых людей, событиями, которые являются разрушительными и потенциально предотвратимыми, если был установлен диагноз ГКМП.

      В большинстве случаев диагноз ГКМП может быть установлен с помощью эхокардиографии в сочетании с клиническим анамнезом, но широкое использование эхокардиографии для выявления ГКМП у бессимптомных лиц нецелесообразно. Поэтому альтернативные методы, такие как ЭКГ, рассматривались как средство скрининга. Более 90% пациентов с ГКМП имеют электрокардиографические аномалии 41 , но эти аномалии неспецифичны и могут быть неотличимы от гипертрофии ЛЖ.Как правило, скрининг ЭКГ основан на ручном или автоматическом обнаружении определенных признаков, таких как гипертрофия ЛЖ, отклонение оси влево, заметные зубцы Q и инверсии зубцов T. Однако эти подходы не обладают достаточной диагностической эффективностью, чтобы оправдать рутинный скрининг ЭКГ 42 . Более того, было предложено несколько наборов критериев ЭКГ, чтобы различать ГКМП и спортивную адаптацию сердца, но их диагностическая эффективность была непоследовательной при попытках внешней проверки 43,44 .Природа подхода с глубоким обучением ИИ может предложить преимущество агностического и непредвзятого подхода к обнаружению ГКМП на основе ЭКГ, который не полагается на традиционные критерии гипертрофии ЛЖ.

      С использованием ЭКГ 2500 пациентов с подтвержденным диагнозом ГКМП и> 50 000 контрольных лиц соответствующего возраста и пола без ГКМП, CNN AI – ECG была обучена и проверена для диагностики ГКМП только на основе ЭКГ. 45 . В независимой тестируемой когорте из 612 пациентов с HCM и 12788 контрольных лиц AUC CNN была равна 0.96 (95% ДИ 0,95–0,96) с чувствительностью 87% и специфичностью 90%. Модель была устойчивой в подгруппах пациентов, соответствующих критериям ЭКГ для гипертрофии ЛЖ, и среди пациентов с нормальной ЭКГ 45 . Важно отметить, что у более молодых пациентов (в возрасте <40 лет) показатели были даже лучше, но с возрастом они снижались. Кроме того, на характеристики модели, похоже, не повлиял статус саркомерной мутации пациента, учитывая, что полученные из модели вероятности диагноза ГКМП составляли в среднем 97% и 96% у пациентов с ГКМП, у которых либо были или не имели подтвержденных вариантов в генах, кодирующих саркомеры, соответственно 45 .Разработанный алгоритм имел одинаково благоприятные характеристики при реализации на основе одного отведения (а не всех 12 отведений ЭКГ), что означает, что этот алгоритм можно применять в качестве скринингового теста в больших масштабах и с различными настройками ресурсов. На рисунке 2 показан пример женщины в возрасте 21 года с массивной гипертрофией перегородки, перенесшей хирургическую миэктомию перегородки 45 . Несмотря на лишь незначительные отклонения на ее ЭКГ до миэктомии, алгоритм AI – ECG показал вероятность ГКМП 72.6%, тогда как после миэктомии алгоритм AI – ECG показал вероятность HCM только 2,5%, несмотря на более очевидные и заметные отклонения ЭКГ.

      Рис. 2: AI – ЭКГ для выявления HCM.

      Использование модели электрокардиограммы с искусственным интеллектом (AI – ECG) для выявления обструктивной гипертрофической кардиомиопатии (HCM) у женщины в возрасте 21 года до (часть a ) и после (часть b ) септальной миэктомии. Адаптировано с разрешения исх. 45 , Эльзевир.

      Другая группа исследователей использовала большой набор данных ЭКГ в 12 отведениях для обучения моделей машинного обучения для обнаружения ГКМП вместе с другими элементами структуры сердца (масса ЛЖ, объем левого предсердия и скорость раннего диастолического митрального кольца) и заболевания ( легочная артериальная гипертензия, амилоидоз сердца и пролапс митрального клапана) 46 . Несмотря на то, что была применена архитектура модели, отличная от той, что использовалась в вышеупомянутом исследовании, включая новую комбинацию CNN и скрытых марковских моделей, производительность модели для обнаружения HCM также была весьма благоприятной, с AUC равной 0.91. Следует отметить, что исследователи также сообщили о хороших показателях обнаружения легочной артериальной гипертензии (AUC 0,94), сердечного амилоидоза (AUC 0,86) и пролапса митрального клапана (AUC 0,77).

      Хорошие диагностические характеристики этих моделей позволяют предположить, что скрининг HCM, основанный на полностью автоматизированных алгоритмах AI – ECG, может быть осуществим в будущем. Внешние проверки в других группах населения с большим расовым разнообразием, а также у спортсменов и подростков будут иметь решающее значение для оценки алгоритма AI – ЭКГ в качестве будущего инструмента скрининга HCM у лиц с риском неблагоприятных исходов, особенно внезапной сердечной смерти. .Также необходимо оценить прямые сравнения с другими возможными методами скрининга, рентабельность и другие вопросы практического применения.

      Выявление гиперкалиемии

      Многочисленные исследования показали, что гиперкалиемия или гипокалиемия связаны с повышенной смертностью, а данные свидетельствуют о том, что смертность, связанная с гиперкалиемией, может быть связана с недостаточной дозировкой препаратов, основанных на доказательствах 47 . Наша группа оценила эффективность CNN AI – ECG для выявления гиперкалиемии у пациентов с хроническим заболеванием почек 48,49 .В ходе последней крупномасштабной оценки модель была обучена обнаруживать уровни калия в сыворотке ≥5,5 ммоль / л с использованием> 1,5 миллиона ЭКГ от почти 450 000 пациентов, которые прошли одновременную оценку уровня калия в сыворотке. Этот уровень калия был выбран, потому что считалось, что этот порог является клинически действенным. На этом пороговом уровне модель продемонстрировала чувствительность 90% и чувствительность 89% в многоцентровой когорте с внешней проверкой 49 . Этот алгоритм может быть применен для выявления клинически скрытой, но клинически значимой гиперкалиемии без взятия крови и может облегчить удаленное лечение пациента, включая дозирование диуретиков, время проведения гемодиализа или корректировку лекарств, таких как ингибиторы ангиотензинпревращающего фермента или блокаторы рецепторов ангиотензина. сердечной недостаточности или хронического заболевания почек.

      Управление антиаритмическими препаратами

      Дофетилид и соталол обычно используются для лечения ФП. Их антиаритмический эффект проявляется в миокарде за счет увеличения продолжительности фазы реполяризации, а это означает, что удлинение интервала QT является ожидаемым эффектом этих препаратов. Из-за связанного с этим риска значительного удлинения интервала QT и потенциально фатальной желудочковой проаритмии при применении этих препаратов, особенно дофетилида, пациентам требуется тщательное наблюдение с непрерывной ЭКГ в условиях стационара.Кроме того, при длительном применении этих препаратов интервал QT следует периодически оценивать, поскольку может потребоваться корректировка дозы в случаях значительного удлинения интервала QT, одновременного приема препаратов с эффектом удлинения интервала QT и колебаний функции почек (как соталола, так и дофетилида). метаболизируются в основном через почки). Используя серийные ЭКГ в 12 отведениях и связанную информацию о концентрациях дофетилида в плазме у 42 пациентов, получавших дофетилид или плацебо в перекрестном рандомизированном клиническом исследовании, алгоритм глубокого обучения предсказал концентрации дофетилида в плазме с хорошей корреляцией ( r = 0.85) 50 . Для сравнения, линейная модель скорректированного интервала QT коррелировала с концентрациями дофетилида с коэффициентом 0,64 (ссылка 50 ). Это открытие предполагает, что интервал QT может неточно отражать концентрацию дофетилида в плазме у некоторых пациентов и поэтому может недооценивать или переоценивать проаритмический риск. Подходы машинного обучения, включая контролируемое, неконтролируемое обучение и обучение с подкреплением, также использовались для определения оптимального режима дозирования во время лечения дофетилидом 51 .

      В будущем пациенты, получающие дофетилид, соталол или другие антиаритмические препараты, могут избежать необходимости госпитализации для приема лекарств или посещения офиса для планового наблюдения за ЭКГ, отслеживая свою собственную ЭКГ с помощью инструментов на базе смартфонов с возможностями искусственного интеллекта для определения плазмы. концентрации препарата или риск токсических эффектов, связанных с наркотиками. Разработка этих алгоритмов искусственного интеллекта, применяемых к ЭКГ в одном отведении, все еще продолжается.

      Передаточное обучение для классификации ЭКГ

      Теперь проанализируем эффективность предварительного обучения с точки зрения выполнения последующей задачи.Другими словами, мы измеряем, насколько предварительное обучение улучшает результат макроса \ (F_1 \) в нашем наборе тестов для PhysioNet / CinC Challenge 2017. С этой целью мы проводим серию экспериментов, которые проверяют эффективность предварительного обучения в различных условиях. настройки. Мы сравниваем методы предварительной подготовки с инициализацией случайных весов, которую мы рассматриваем как базовый метод. Во-первых, мы исследуем несколько конфигураций (то есть набор гиперпараметров) каждого метода предварительного обучения, чтобы определить, какая конфигурация лучше всего подходит для последующей задачи.Далее мы исследуем, как размер последующего набора данных влияет на производительность методов предварительного обучения. Затем мы изменяем частоту дискретизации последующего набора данных, чтобы оценить, насколько хорошо предварительно обученные сети обобщают данные ЭКГ с различными свойствами. В следующем эксперименте мы исследуем, как изменение глубины остаточной сети влияет на производительность методов предварительного обучения. Наконец, мы исследуем, насколько хорошо предварительно обученные сети работают с другими нижележащими наборами данных.

      Гиперпараметры методов предварительного обучения

      Гиперпараметры методов предварительного обучения — это параметры, которые управляют процессом предварительного обучения.Они определяют форму входных данных (например, размер кадра ЭКГ) и свойства задачи (например, смещение или количество отрицательных выборок контролируют сложность будущей задачи прогнозирования), таким образом, они косвенно влияют на то, какие функции сеть научится добывать. Сначала мы исследуем различные наборы гиперпараметров каждой задачи предварительного обучения, которые мы называем конфигурациями, чтобы определить, какие конфигурации хорошо работают в последующей задаче, то есть классификации AF.

      В таблице 1 сравниваются различные конфигурации методов предварительного обучения. В задачах классификации мы исследуем 3 разных размера кадров ЭКГ. В задаче прогнозирования будущего мы исследуем различные комбинации размера контекста, количества отрицательных выборок и смещения. Мы сравниваем конфигурации на основе средней оценки макроса \ (F_1 \) (сокращенно \ (F_1 \)) на последующем наборе тестов. Кроме того, мы сообщаем среднее значение \ (F_1 \) для каждого класса (сокращенно \ (F_ {1x} \), где x — идентификатор класса).Результаты показывают, что все методы предварительного обучения превосходят инициализацию случайных весов при прогнозировании каждого класса. Если посмотреть на лучшую конфигурацию каждого метода предварительной тренировки с точки зрения \ (F_1 \), то улучшение по сравнению с исходным уровнем (т. Е. Случайная инициализация веса) составляет 6,57% для классификации сердечных сокращений, 4,92% для классификации ритмов, 4,79% для классификации частоты сердечных сокращений и 3,69 % для будущего прогноза. Что касается размера кадра ЭКГ, предпочтительный кадр составляет около 8 с для классификации ударов и ритмов и около 2 с для классификации частоты сердечных сокращений.Мы подозреваем, что во время тонкой настройки сеть больше фокусируется на локальных шаблонах, а не на долгосрочных зависимостях в данных. Небольшой размер кадра особенно интересен в случае предтренинга сердечного ритма из-за того, как создаются метки. Напомним, что для размера кадра около 2 с мы генерируем метку из окна 4 с с центром в этом кадре. Следовательно, при классификации кадров сеть должна справляться с большим количеством недостающей информации. Что касается будущего прогноза, увеличение сложности задачи путем установки большего смещения и добавления большего количества отрицательных выборок, по-видимому, дает неубедительные результаты в отношении какого-либо улучшения производительности.В оставшейся части статьи, обсуждая конкретный метод предварительного обучения, мы будем ссылаться на его лучшую конфигурацию.

      Таблица 1 Сравнение различных конфигураций методов предтренинга. Таблица 2 Сравнение методов предварительной подготовки в зависимости от размера группы последующих поездов. Таблица 3 Сравнение методов предварительного обучения в зависимости от частоты дискретизации (Гц) нисходящего набора данных.

      Теперь мы более подробно рассмотрим эффективность валидации с точки зрения \ (F_1 \) каждого метода предварительного обучения во время точной настройки (рис.3). Предварительно обученные сети достигают высокой проверки \ (F_1 \) всего за несколько эпох, тогда как их случайно инициализированным аналогам требуется больше времени, чтобы сойтись к стабильной проверке \ (F_1 \). Кроме того, предварительно обученные сети последовательно демонстрируют лучшую производительность проверки, чем случайно инициализированные сети в процессе точной настройки. Очевидно, что предварительная тренировка не только улучшает производительность, но и ускоряет тренировку.

      Размер последующего набора данных

      До сих пор мы оценивали наши методы предварительной тренировки на наборе данных ЭКГ среднего размера (n \ (= \) 8528).Теперь мы исследуем степень эффективности предварительного обучения при точной настройке наборов данных разного размера. С этой целью мы настраиваем сети только на части набора данных PhysioNet / CinC Challenge 2017. Напомним, что исходное разделение данных было следующим: 75% обучение, 5% проверка и 20% тест. В следующем эксперименте мы поддерживаем наборы для тестирования и проверки и уменьшаем размер набора только до 50% и 25% от всего набора данных.

      В таблице 2 приведены средние макро \ (F_1 \) баллы для каждого метода предварительного обучения в последующем наборе тестов в зависимости от размера набора последующих поездов.Для классификации сердечного ритма и сердечного ритма улучшение производительности по сравнению с базовой линией (т.е. инициализация случайного веса) увеличивается при уменьшении размера набора данных. Для классификации ритмов и прогнозирования на будущее улучшение производительности остается одинаковым для различных размеров наборов данных. Сокращение разрыва в производительности может означать, что после того, как набор данных станет достаточно большим, предварительное обучение станет излишним. Примечательно, что если остаточная сеть, предварительно обученная для классификации биений, точно настроена только на 25% данных поезда, она по-прежнему работает лучше, чем ее случайно инициализированный аналог, обученный на 75% данных.Это показывает, что предварительное обучение позволяет модели обучаться на меньшем количестве данных и при этом достигать той же степени производительности, что и модели без предварительного обучения.

      Частота дискретизации сигнала ЭКГ

      Базы данных ЭКГ различаются по характеристикам сигнала ЭКГ, таким как длина, количество отведений, частота дискретизации или артефакты обработки. Эти различия возникают в основном из-за свойств устройства, регистрирующего ЭКГ. Следовательно, подходы к переносу обучения для данных ЭКГ в идеале не должны зависеть от различий между сигналами.В этом разделе мы исследуем, насколько хорошо предварительно обученные сети работают с данными ЭКГ, выбранными с частотой, отличной от предтренировочной. Это представляет для нас особый интерес, потому что мы уменьшаем частоту дискретизации набора данных нисходящего потока, чтобы соответствовать частоте выборки набора данных восходящего потока. Это приводит к потере данных, что может привести к снижению производительности. По этой причине, пробуя разные частоты дискретизации, мы хотим исключить возможность того, что понижение частоты дискретизации приведет к снижению производительности больше, чем предварительная подготовка к ее увеличению.Обратите внимание, что мы поддерживаем одну и ту же относительную длину ввода, то есть около 60 с, на разных частотах дискретизации, при необходимости дополняя ввод нулями.

      В таблице 3 приведены средние макро \ (F_1 \) баллы для каждого метода предварительной тренировки в последующем наборе тестов в зависимости от частоты дискретизации данных ЭКГ. Помимо точной настройки моделей в наборе поездов с использованием исходной частоты дискретизации (все еще применяются другие методы предварительной обработки), мы также измеряем производительность наших методов, когда частота дискретизации последующего набора данных почти в 2 раза меньше, чем частота, которую использовали сети. предварительно обучен (128 Гц против 250 Гц).Как и ожидалось, мы наблюдаем снижение производительности при изменении частоты дискретизации. Однако все методы предварительного обучения превосходят инициализацию случайных весов независимо от частоты выборки. Предварительная подготовка полезна, даже если сети специально не обучены работе с сигналами ЭКГ, дискретизированными на разных частотах. Интересно, что случайно инициализированные сети на самом деле работают хуже (\ (- \, 2.19 \% \) \ (F_1 \)) с исходным набором данных, что может быть связано с увеличенной входной размерностью.

      Архитектура остаточной сети

      Из-за постоянно растущих объемов данных и вычислительной мощности, доступных для обучения, модели глубокого обучения выросли в размерах, чтобы вместить больше знаний и повысить производительность. В свете этой тенденции ResNet-18v2, которая является нашей базовой моделью, может считаться «мелкой» сетью. По сравнению с другими остаточными сетями ResNet-18v2 имеет небольшое количество слоев и параметров. Поэтому теперь мы увеличиваем размер модели.В частности, мы используем две новые архитектуры: ResNet-34v2 22 и ResNet-50v2 22 , которые заменяют стандартные остаточные блоки на блоки узких мест. Остальные гиперпараметры сети остаются прежними. Примечательно, что в задаче прогнозирования будущего мы предварительно обучаем только первые 3 этапа более глубокого ResNet-50v2 из-за высокой сложности модели. Поскольку архитектура узких мест увеличивает количество выходных каналов в 4 раза, размерность модуля объединения внимания (т.е. \ (d_ {model} \)) увеличивается на ту же величину, что приводит к значительному увеличению количества обучаемых параметров.

      Таблица 4 Сравнение методов предварительного обучения в зависимости от архитектуры модели (то есть остаточной сети). Таблица 5 Сравнение методов предварительного обучения на двух новых наборах данных в нисходящем направлении.

      В таблице 4 приведены средние макро \ (F_1 \) баллы для каждого метода предварительного обучения в последующем наборе тестов в зависимости от архитектуры модели.Использование ResNet-34v2 улучшает производительность каждого метода предварительной тренировки: увеличение на 4,51% для случайной инициализации веса, на 1,93% для классификации ударов, 1,04% для классификации ритма, 0,65% для классификации сердечного ритма и 0,40% для прогнозирования в будущем. Однако дальнейшее увеличение сложности из-за использования ResNet-50v2 приводит к снижению производительности. Снижение гораздо более резкое в случае отсутствия предварительной тренировки: — 7,33% для случайной инициализации веса по сравнению с — 2,39% для классификации ударов. Мы подозреваем, что ResNet-34v2 находится в золотом уголке между сложностью модели и производительностью, тогда как ResNet-18v2 не подходит, а ResNet-50v2 избыточно подходит для обучающих данных.Следует отметить, что при увеличении количества обучаемых параметров количество предтренировочных шагов осталось прежним. Во время предварительного обучения мы зафиксировали более низкую эффективность проверки для более глубоких моделей, что наводит нас на мысль, что мы, возможно, закончили предварительное обучение слишком рано. Это было особенно заметно в случае прогнозирования будущего, сложность модели которого выше, чем у любого другого метода.

      Набор данных нисходящего потока

      Желательным свойством предварительно обученных сетей является то, что они могут быть точно настроены не для одной, а для нескольких связанных задач.Поэтому теперь мы исследуем, насколько хорошо наши методы предварительного обучения применимы к различным последовательным (целевым) наборам данных, то есть насколько универсальны предварительно обученные экстракторы признаков. С этой целью мы выбрали два новых набора данных ниже по потоку: базу данных PTB-XL 8,28 и набор данных, выпущенный для 1st China Physiological Signal Challenge 2018, проведенной во время 7-й Международной конференции по биомедицинской инженерии и биотехнологии (ICBEB 2018) 39 . Набор данных ICBEB2018 также является частью обучающих данных в PhysioNet / CinC Challenge 2020 8,40 .

      База данных PTB-XL содержит 21 837 записей ЭКГ в 12 отведениях с частотой дискретизации 500 Гц и длительностью ровно 10 с. Кроме того, есть 71 различное утверждение, которые используются в качестве аннотаций. Их делят на три категории: диагностические, ритмические и формы. Здесь мы используем только аннотации ритма. Следовательно, мы выбираем только записи, которые имеют хотя бы одну метку ритма, эффективно сокращая размер набора данных до 21 066 записей. Кроме того, мы используем рекомендованный 10-кратный разделитель поездов, т.е.е. мы используем складки 1–8 как набор поездов, складки 9 как набор проверки и складки 10 как набор тестов. Наконец, мы стандартизируем записи, используя среднее значение и стандартное отклонение, вычисленное по всей базе данных, и понижаем частоту дискретизации записей до 250 Гц.

      Набор данных ICBEB2018 содержит 6877 записей ЭКГ в 12 отведениях с частотой дискретизации 500 Гц и продолжительностью 6–60 с. Каждая запись имеет до трех аннотаций, описывающих нормальный синусовый ритм или состояние сердца. Поскольку исходный набор тестов остается конфиденциальным, мы резервируем 20% записей для тестирования и разделяем оставшиеся 80% на наборы для обучения (75%) и проверки (5%), сохраняя исходное соотношение классов в каждом наборе.Как и в базе данных PTB-XL, мы стандартизируем записи, понижаем частоту дискретизации до 250 Гц и дополняем нулями, чтобы поддерживать одинаковую длину сигнала 60 с.

      В отличие от используемого до сих пор набора данных PhysioNet / CinC Challenge 2017, который содержит записи ЭКГ в 1 отведении, вышеупомянутые новые наборы данных включают записи ЭКГ в 12 отведениях. Как следствие, предварительно обученные модели, которые также предполагают запись ЭКГ в одном отведении, должны быть скорректированы, чтобы приспособиться к этому новому формату данных. Напомним, что остаточные сети начинаются со сверточного слоя, который ожидает входной сигнал переменной длины с фиксированным количеством входных каналов, в нашем случае один канал.Чтобы увеличить количество входных каналов, сохраняя при этом те же выходные размеры, мы просто дублируем изученные фильтры для каждого дополнительного канала и масштабируем все веса в слое, умножая их на соотношение исходных и скорректированных входных каналов в нашем case \ (\ frac {1} {12} \). При этом мы надеемся, что экстракторы изученных признаков будут распространены на другие каналы ЭКГ.

      Мы используем предварительно обученный ResNet-34v2, и, как и в предыдущих экспериментах, мы сначала тонко настраиваем каждую модель 10 раз, а затем усредняем производительность на тестовой выборке.В случае набора данных ICBEB2018 перед точной настройкой модели мы дополнительно повторно дискретизируем набор поездов и проверок из пула 80% записей. Поскольку мы имеем дело с задачами классификации с несколькими метками (т.е. одному экземпляру может быть присвоено несколько меток), мы меняем функцию активации выхода остаточной сети на сигмоидную и обучаем модель с двоичной кросс-энтропийной потерей. При тестировании мы используем веса модели той эпохи, когда модель достигла наибольших потерь при проверке.

      Мы оцениваем производительность наших предварительно обученных методов на соответствующих тестовых наборах, используя 4 новых показателя.Вслед за Strodthoff et al. 28 , мы вычисляем усредненный классовый AUC (сокращенно AUC ) и ориентированный на выборку \ (F_ {max} \), который суммирует зависящий от порога результат \ (F_1 \) с помощью одного числа, что — максимальная оценка \ (F_1 \), полученная при изменении порога принятия решения. Кроме того, мы используем две метрики, используемые в PhysioNet / CinC Challenge 2020: общий взвешенный по классам F-балл \ (F _ {\ beta = 2} \) и обобщение меры Жаккара \ (G _ {\ beta = 2} \). Мы преобразуем выходные вероятности в двоичное решение, используя порог, найденный независимо для каждой метрики в наборе поездов.

      В Таблице 5 представлена ​​средняя производительность каждого метода предварительного обучения на двух новых наборах последующих тестов. Поскольку ранжирование методов не зависит от показателя производительности, при представлении результатов мы ориентируемся на AUC . Мы отмечаем улучшения производительности на обоих наборах данных от предварительного обучения. Для PTB-XL относительное увеличение AUC по сравнению с исходным уровнем (т.е. инициализация случайного веса) составляет \ (2,12 \% \) для классификации ударов, \ (1,70 \% \) для классификации ритмов, \ (2.44 \% \) для классификации сердечного ритма и \ (1,38 \% \) для будущего прогноза. Для ICBEB2018 мы наблюдаем меньшее улучшение производительности и даже снижение в случае классификации сердечного ритма: \ (0,73 \% \) для классификации ударов, \ (0,21 \% \) для классификации ритма, \ (- \, 0,31 \%) \) для классификации сердечного ритма и \ (0,10 \% \) для будущего прогноза.

      Приложение Apple Watch для ЭКГ: отслеживайте состояние своего сердца

      • Вы можете использовать приложение ЭКГ Apple Watch для обнаружения нерегулярного сердцебиения или частоты сердечных сокращений.
      • Приложение ЭКГ одобрено Управлением по контролю за качеством пищевых продуктов и медикаментов (FDA), но любые относящиеся к нему результаты все равно следует сообщать своему врачу.
      • Чтобы использовать ЭКГ на Apple Watch, необходимо настроить ее в приложении «Здоровье» на iPhone.
      • Посетите техническую библиотеку Insider, чтобы узнать больше .
      Идет загрузка.

      От измерения ваших целей в фитнесе до управления другими устройствами Apple, Apple Watch в новейшей версии имеют множество полезных функций для пользователей, в том числе одобренное FDA приложение для мониторинга сердечного ритма, которое может выполнять электрокардиограмму (ЭКГ).

      Примечание: Для считывания ЭКГ у вас должны быть Apple Watch Series 4, 5 или 6.

      Вот как настроить приложение ЭКГ, измерить ЭКГ и прочитать результаты ЭКГ.

      Вт

      что это ЭКГ?

      По данным Американской кардиологической ассоциации, ЭКГ «измеряет электрическую активность сердцебиения», чтобы определить, бьется ли сердце человека в здоровом ритме.

      Тест ЭКГ измеряет количество ударов сердца в минуту или ударов в минуту.Джилл Энн Сполдинг / Автор / Getty Images

      Если ЭКГ измеряет слишком быстрое, слишком медленное или нерегулярное сердцебиение, это может быть ранним признаком сердечного заболевания.

      Связанные Насколько точен пульсометр Apple Watch для определения AFib? Он не может заменить медицинские устройства

      При проведении ЭКГ в кабинете врача ЭКГ исследует 12 областей сердца, чтобы дать достоверную картину его здоровья, но приложение Apple для ЭКГ фокусируется только на одной.

      Из-за узкой направленности мониторинга приложение Apple для ЭКГ разработано специально для отслеживания только одного распространенного сердечного заболевания: нерегулярного сердцебиения, называемого фибрилляцией предсердий (AFib).

      При отсутствии лечения AFib может привести к образованию тромбов, инсульта или сердечная недостаточность .

      Как настроить ЭКГ с помощью приложения «Здоровье» на iPhone.

      Поскольку приложение ЭКГ входит в стандартную комплектацию или является обновлением программного обеспечения для новых часов Apple Watch, его можно настроить, просто перейдя через приложение «Здоровье» на iPhone.Если сразу не появится запрос на настройку ЭКГ, перейдите на вкладку Обзор , затем выберите Сердце , выберите Электрокардиограммы (ЭКГ) и, наконец, нажмите Настроить приложение для ЭКГ , чтобы начать.

      Вам будет предложено ввести дату своего рождения (приложение одобрено только для лиц старше 22 лет) и прочитать информацию о приложении ЭКГ, в том числе лучшие практические советы по снятию показаний ЭКГ, например, плотно прилегать к часам Apple Watch. на запястье и положив руку на стол или на ногу для чтения.

      Затем вам будет предложено выполнить тестовое чтение ЭКГ или пропустить его и подождать до завершения настройки.

      Как измерить ЭКГ на Apple Watch

      После настройки приложения ЭКГ считывание займет 30 секунд.

      Для этого откройте приложение ЭКГ на Apple Watch и прижмите палец к цифровой короне часов. Для достижения наилучших результатов Apple предлагает положить руку на поверхность и убедиться, что тыльная сторона часов сухая и плотно прилегает к запястью.

      Чтобы начать тест, удерживайте палец на колесе Digital Crown. Джастин Салливан / Getty Images

      Через 30 секунд вы получите один из четырех результатов чтения и сможете добавить и сохранить симптомы в показании.

      Важно : Если вы читаете нерегулярно или вызываете беспокойство, вы найдете возможность экспортировать результаты в виде PDF-файла, который вы можете отправить непосредственно своему врачу для последующего наблюдения.

      Как считывать результаты ЭКГ на Apple Watch

      После завершения считывания ЭКГ ваши Apple Watch выдадут вам один из четырех результатов: синусовый ритм, фибрилляция предсердий, низкая или высокая частота сердечных сокращений и неубедительный результат.

      Синусовый ритм

      Если ваша ЭКГ является синусовым ритмом, то ваши часы измерили сердцебиение с равномерным ритмом между 50 и 100 ударами в минуту. Это считается нормальным явлением, однако, если вы получили это значение, но чувствуете себя плохо, вам всегда следует проконсультироваться с врачом.

      Фибрилляция предсердий

      Если ваша ЭКГ показывает фибрилляцию предсердий (AFib), это означает, что ваши часы измерили нерегулярный ритм в диапазоне от 50 до 120 ударов в минуту.Однако имейте в виду, что это показание не является диагнозом AFib и должно сопровождаться визитом к врачу.

      Низкая или высокая частота пульса

      Если ваши показания ЭКГ имеют низкую или высокую частоту пульса, то ваши часы измерили сердцебиение вне допустимого диапазона: ниже 50 ударов в минуту или выше 120 ударов в минуту.

      Это может показаться тревожным, но это не обязательно означает, что что-то не так. Низкая частота пульса обычно наблюдается во время сна или у спортсменов-экстремалов, а высокая частота пульса может быть связана со стрессом или физическими упражнениями.

      Однако, как и в случае с другими результатами, проконсультируйтесь с врачом, если что-то не кажется правильным.

      Неубедительно

      Наконец, последний результат, который может дать ваше приложение ЭКГ, неубедителен, что означает, что что-то пошло не так при попытке измерить ваше сердцебиение.

      Это может быть ошибка пользователя — возможно, задняя часть ваших часов вспотела или вы не отдыхали рукой во время измерения.Это также может быть неубедительным, если у вас есть кардиостимулятор или не создавал достаточного электрического сигнала для достаточного чтения.

      Исследование распознавания пользователей с использованием 2D-изображения ЭКГ на основе ансамблевых сетей для интеллектуальных транспортных средств

      Ожидается, что в ближайшем будущем начнется эра интеллектуальных автомобилей с поддержкой Интернета вещей, поскольку конвергенция между автомобилем и ИТ ускоряется. Современные умные автомобили могут предоставлять различную информацию и услуги, необходимые пассажирам, через носимые устройства или среду связи «Транспортное средство со всем» (V2X).Чтобы предоставлять такие услуги, необходимо разработать систему для анализа информации о носимых устройствах на платформе интеллектуальных автомобилей. В этой статье будет изучен метод распознавания пользователей в реальном времени с использованием изображений 2D ЭКГ (электрокардиограммы), биометрического сигнала, который может быть получен с носимых устройств. Сигнал ЭКГ (электрокардиограммы) может быть классифицирован методом реперных точек с использованием метода обнаружения характерных точек или метода нефидуктивных точек из-за изменения времени. В предложенном алгоритме ансамблевая сеть на основе CNN была разработана для повышения производительности за счет преодоления таких проблем, как переоснащение, которые возникают в одной сети.Результаты испытаний показывают, что точность распознавания пользователя на основе изображения 2D ЭКГ улучшилась на 1% ~ 1,7% для метода реперных точек и на 0,9% ~ 2% для метода неидеальных точек. Показав на 13% более высокую производительность по сравнению с одиночной сетью, в которой происходит снижение скорости распознавания, поскольку аналогичные характеристики показаны между классами, предложенный метод продемонстрировал возможность использования в системе распознавания пользователей на базе интеллектуальной автомобильной платформы, которая требует надежности.

      1. Введение

      Недавняя активная конвергенция ИТ и промышленности привела к появлению различных передовых технологий, внедрению ИТ в автомобили, и это привело к прогрессу в разработке интеллектуальных автомобилей с повышенной безопасностью и удобством для водителя.В умном автомобиле используется технология, которая обеспечивает максимальную безопасность, обеспечивая при этом удобство водителя за счет применения технологии IoT (Интернет вещей) [1]. Хотя концепция автомобильного IoT еще не была четко определена, ее можно определить как вычислительную среду на основе мобильных подключений, в которой можно создать различные индивидуализированные отрасли обслуживания пользователей в дополнение к обеспечению безопасности дорожного движения и сокращению заторов. Наряду с носимыми устройствами индустрия интеллектуальных автомобилей является частью развивающейся индустрии следующего поколения и поддерживает современные технологии, такие как усовершенствованные системы помощи водителю (ADAS) и возможности подключения.Кроме того, как показано на Рисунке 1, расширение Интернета вещей и носимых технологий, улучшение которых основано на информации о пользователях, позволило применять соответствующие технологии в умных автомобилях. Если пользовательская информация, полученная с носимого устройства, носимого водителем, может быть передана в интеллектуальный автомобиль, можно будет обеспечить в автомобиле больше удобных функций. Например, помимо выполнения команд через распознавание голоса пользователя, существует служба обнаружения сонливости, которая предупреждает водителя об усталости и риске вождения при сонливости, проверяя биометрические сигналы и информацию о транспортном средстве.Для предоставления таких услуг необходимо разработать систему для анализа информации о носимых устройствах на платформе интеллектуальных автомобилей [2].


      В этой статье мы изучим метод распознавания пользователей на основе глубокого обучения, чтобы применить биометрический сигнал, полученный от носимых устройств, к платформе интеллектуального автомобиля. Глубокое обучение — это метод, при котором оптимальные значения выводятся из различных углубленных слоев, которые были добавлены к многослойному персептрону, используемому в существующем машинном обучении. Глубокие нейронные сети [3], сверточные нейронные сети [4], рекуррентные нейронные сети [5], Deep Belief Network [6] и Deep Q-сети [7] являются некоторыми показательными примерами.В частности, сверточная нейронная сеть, которая показала выдающуюся производительность в различных областях, включая распознавание, классификацию и прогнозирование, представляет собой нейронную сеть, которая была разработана для автоматического изучения и классификации различных фильтров извлечения признаков. В то время как существующий метод извлечения признаков требует проектирования людьми, и только классификация выполняется с помощью машинного обучения, извлечение признаков и классификация выполняются автоматически компьютером для сверточной нейронной сети.

      Существующие методы распознавания пользователей, которые анализируют физические особенности, такие как лицо, отпечатки пальцев и радужную оболочку глаза, были признаны безопасными и удобными. Однако эти методы используют анатомическую и физическую форму информации, которая отображается извне и требует сотрудничества со стороны пользователя и личного вмешательства пользователя. Кроме того, поскольку такая информация может быть подделана или изменена, проблемы могут возникнуть при применении к сервисам, требующим высокого уровня безопасности, таким как финтех, умная медицина, здравоохранение и сервис умных автомобилей.Для решения таких проблем проводятся исследования в области распознавания пользователей с использованием биометрических сигналов, таких как ЭКГ, ЭЭГ (электроэнцефалограмма) и ЭМГ (электромиограмма). Важные преимущества распознавания пользователей с помощью биометрических сигналов заключаются в следующем. Во-первых, по сравнению с методами, которые используют анатомическую и физическую форму информации, которая отображается извне, например, лицо и отпечатки пальцев, этот метод использует внутренние сигналы, которые трудно подделать, их можно получить от всех живых людей, они включают информацию о клинических проявлениях. психологическое состояние пользователя и, наконец, повторное распознавание пользователя легко осуществить, так как форма сигнала не сильно меняется с течением времени [8].Поскольку ЭКГ — это биометрический сигнал, который не является реактивным и который трудно изменить, он изучается как технология распознавания пользователей следующего поколения. Как показано на рисунке 2, ЭКГ различается для каждого человека в зависимости от таких факторов, как расположение, размер и структура сердца, возраст и пол. Нормальный сигнал ЭКГ содержит определенные характерные точки, и их можно использовать для извлечения функций для распознавания пользователем. Следовательно, человека можно идентифицировать с помощью функций, уникальных для каждого человека, а пользователя можно распознать с помощью сигнала ЭКГ, который можно измерить независимо от того, где находится человек.


      В этом документе существующие исследования распознавания пользователей на основе ЭКГ будут проанализированы в Разделе 2, а предлагаемая ансамблевая сеть на основе глубокого обучения с использованием данных ЭКГ будет объяснена в Разделе 3. Раздел 4 будет содержать анализ результатов производительности для предлагаемых метод, а также выводы и предложения для будущих исследований будут представлены в Разделе 5.

      2. Связанные работы

      Израиль предложил систему распознавания на основе ЭКГ с использованием временных характеристик.После удаления шума из входного сигнала ЭКГ были обнаружены кривые P, QRS и T, и после извлечения 15 признаков была проведена классификация с использованием линейного дискриминантного анализа. Тест с участием 29 испытуемых показал 100% -ную скорость распознавания испытуемых и 82% -ную скорость распознавания сердечных сокращений ЭКГ [9]. Биль предложил метод классификации, который сравнивает тестовые данные, состоящие из 30 извлеченных реперных точек, с данными обученной группы, и выбирает наиболее подходящий класс с помощью классификатора мягкого независимого моделирования классовой аналогии (SIMCA).

      Тест проводился с 20 испытуемыми, и был достигнут 100% уровень распознавания. Несмотря на то, что этот метод показал высокую скорость распознавания во время тестирования, он не подходит для системы распознавания в реальном времени, поскольку он извлекает многие признаки на этапе классификации [10]. Ван предложил метод, который использует комбинацию характеристик времени, амплитуды и формы R из сигнала ЭКГ. Обнаружение реперных точек было выполнено на предварительно обработанном сигнале ЭКГ, чтобы измерить время и амплитудное расстояние, а морфологические характеристики были извлечены из основных компонентов с использованием линейного дискриминантного анализа.Когда классификация проводилась после объединения двух типов признаков, 100% уровень распознавания субъектов и коэффициент распознавания 98,9 были достигнуты для 13 субъектов. Хотя был получен относительно высокий результат распознавания, он был получен от небольшой выборки субъектов [11]. Шен провел исследование, в котором сравнивался общий уровень распознавания между прошлыми данными и данными, полученными путем повторного измерения 23 идентичных субъектов. Результат теста сопоставления с шаблоном, который сравнивал морфологическое различие сигнала ЭКГ путем извлечения 17 реперных признаков, показал уровень распознавания 98.5% и 87,7%. Однако даже несмотря на то, что результат сопоставления снизился, система распознавания, использующая сигнал ЭКГ, показала высокую производительность даже по прошествии некоторого времени, если выполняется калибровка [12]. Чан предложил структуру извлечения признаков с использованием набора для измерения расстояний, который включает в себя расстояние вейвлет-преобразования. Данные были получены от 50 пациентов с помощью электродов, помещенных между пальцами. При применении метода расстояния вейвлет-преобразования для метода распознавания пользователя была достигнута скорость распознавания 89%.Несмотря на то, что тест проводился на многих предметах по сравнению с предыдущими тестами, он показал низкий уровень распознавания [13]. Чиу предложил метод индивидуальной идентификации с использованием вейвлета и евклидова классификатора. После получения сигнала ЭКГ от 45 субъектов, особенности были извлечены с помощью вейвлет-преобразования и использовалось евклидово расстояние [14]. Несмотря на то, что был проведен относительно простой процесс, результат распознавания оказался низким — 90,5%. Лунг использовал параметры линейного предиктивного кодирования (LPC) для классификации сигналов ЭКГ [15].

      Как показано на рисунке 3, для исследования, в котором сигнал ЭКГ применялся к глубокому обучению, Раджпуркар разработал новую сеть, состоящую из 34 слоев, которые прогнозируют 12 разновидностей аритмии на основе сигнала ЭКГ в одном отведении [16], а Чаухан разработал структуру нейронной сети. который многократно использует множество слоев LSTM для обнаружения нерегулярных сигналов ЭКГ [17]. Рахха изучил структуру нейронной сети, состоящую из слоя представления признаков и слоя регрессии Softmax. Чтобы удалить накопленный шум из сигнала ЭКГ, слой представления признаков классифицировал сигнал ЭКГ через уровень регрессии Softmax после обучения с автокодировщиками, методом неконтролируемого обучения [18].Недавнее исследование методов распознавания пользователей с использованием глубокого обучения в различных областях технологий, таких как распознавание, классификация и прогнозирование, показало отличную производительность, как показано в таблице 1.

      9023DA Wang

      Работает Характеристика Результат Номер темы

      Израиль LDA ACC: 100% 27 98235
      13
      Chan WT ACC: 89% 50
      Chiu WT ACC: 90.5% 45
      Louis LBP, SVM EER: 7,89% 1,020
      Hejazi WT FMR: 3,5%

      Однако существующая нейронная сеть, состоящая из сети с одной структурой, имеет проблему ограничения производительности, поскольку одна сеть не может изучить даже данные, которые трудно распознать. Если обучение выполняется даже для данных, которые трудно распознать, снижение производительности будет результатом из-за переобучения, которое происходит в процессе обучения [19].В этой статье предлагается ансамблевая сеть на основе глубокого обучения, которая повторно изучает полезные функции, которые были выведены из многих сетей для данных, которые трудно изучить в одной сети. Алгоритм, предложенный в этой статье, проектирует ансамблевую сеть для решения проблемы снижения скорости распознавания, вызванной проявлением сходных характеристик между классами и переобучением, которое происходит в существующей сети с одной структурой. Повторное обучение осуществляется путем смешивания хороших характеристик, которые выводятся из каждой отдельной сети.Кроме того, возможность использования в системе распознавания в реальном времени на основе носимых устройств проверяется путем применения 2D-изображения ЭКГ к модели CNN, которая показала превосходные характеристики для распознавания и классификации изображений. Данные ЭКГ, использованные в тестировании, были получены от 18 испытуемых в базе данных нормального синусового ритма MIT-BIH (NSRDB). 80% данных использовалось в качестве данных обучения, а оставшиеся 20% использовались в качестве данных тестирования. Тест для 2D-изображения ЭКГ, классифицированного методом реперных точек, дал 97.3%, 97,9% и 97,2% коэффициентов распознавания для случая, в котором одна сеть использовалась для 3 сетей, спроектированных в ансамблевой сети, в то время как коэффициент распознавания 98,9% был получен для случая, в котором использовалась ансамблевая сеть, что показывает увеличение производительности 1,7%. В случае, когда классификация проводилась методом нефидуциальных точек, одна сеть показала уровни распознавания 97,2%, 96,6% и 97,7%, в то время как метод ансамбля привел к уровню распознавания 98,6%. Наилучшие результаты были достигнуты, когда сеть ансамбля использовалась как для метода реперных точек, так и для метода нефидуальных точек.

      3. Предлагаемые алгоритмы для ансамблевых сетей на основе данных ЭКГ

      На рисунке 4 показана блок-схема системы распознавания пользователей на основе ансамблевой сети, использующей сигнал ЭКГ, которая предлагается в этой статье. Во-первых, шум, возникающий во время получения сигнала ЭКГ, удаляется посредством частотной фильтрации для формирования DB. После обнаружения пика формы сигнала R с помощью метода Пана и Томпкинса выполняется сегментация сигнала для каждого периода, включая форму волны P, QRS и T. Однако шум флуктуации базовой линии, вызванный дыханием человека, выполняющего измерение, не удаляется фильтром и средним фильтром, и изображение ЭКГ получается путем оценки частичной базовой линии с использованием регрессионного анализа первого порядка и проецирования в 2D-пространство.


      3.1. Предварительная обработка данных ЭКГ

      Предварительная обработка, состоящая из удаления шума и калибровки, выполняется для удаления шума и искажений перед преобразованием сигнала 1D ЭКГ в 2D-изображение. Шум сигнала ЭКГ удаляется с помощью частотной фильтрации, обнаружения формы сигнала R и медианной фильтрации, как показано на рисунке 5 [20]. Полосовой фильтр использовался для частотной фильтрации, чтобы удалить шум линии электропередачи, мышечный шум и контактный шум электродов, которые возникают во время измерения ЭКГ.Пик формы волны R был обнаружен из сигнала ЭКГ, прошедшего через полосовой фильтр, с использованием алгоритма Пана и Томпкинса. Используя пик формы сигнала R в качестве реперной точки, шум был удален путем применения медианного фильтра на оставшемся интервале, исключая интервал комплекса QRS, который включает в себя информацию о физических характеристиках, уникальную для каждого человека.

      Однако процесс калибровки необходим, поскольку шум колебаний базовой линии, вызванный дыханием пользователя, не удаляется фильтром и срединным фильтром.Для технологии, используемой для удаления шума колебаний базовой линии, частичная базовая линия была оценена с использованием регрессионного анализа первого порядка. Для частичной базовой линии регрессионный анализ первого порядка рассчитывается путем применения среднего значения между кривой T ЭКГ и формой P и, среднее значение между кривой P и Q на ЭКГ равно (1). Наконец, сигнал 1D ЭКГ преобразуется в 2D-изображение с помощью проекции и линейного уравнения для применения в 2D-CNN. Сигнал 1D ЭКГ проецируется с использованием значения амплитуды из-за временных колебаний в (2).- положение пикселя ЭКГ и значение амплитуды ЭКГ в момент времени t . Сигнал 1D ЭКГ представляет собой прерывистое значение напряжения во временной области, и при проецировании в 2D пространство между пикселями происходит потеря данных. Следовательно, после минимизации потерь данных с помощью линейного уравнения, сигнал ЭКГ на основе реперных точек был классифицирован путем проецирования сигнала 1D ЭКГ на пространство двумерного изображения с использованием (3), как показано на рисунке 6 (a). Классификация ЭКГ на основе неосновных точек выполняется с фиксированным скользящее окно длины, как показано на рисунке 6 (b).Для испытуемых t , n сигналов, которые должны быть классифицированы для каждого испытуемого, и d как длина сигнала для классификации, могут быть получены данные размера. Поскольку длина всей ЭКГ для одного человека превышает d , возможна классификация ЭКГ на множество сигналов. i -й сигнал ЭКГ выражается как, а j -й отсчет выражается как. Поскольку ЭКГ на основе реперных точек использует все полученные сигналы, было возможно построить большой объем данных по сравнению с классификацией ЭКГ на основе реперных точек, которая использует данные только между формами волны P, QRS и T.


      (a) Пример реперной сегментации
      (b) Пример нефидуальной сегментации
      (a) Пример реперной сегментации
      (b) Пример нефидуальной сегментации
      3.2. Архитектура ансамбля на основе глубоких сверточных нейронных сетей

      На рисунке 7 показана полная структура модели CNN на основе ансамбля, предложенной в этой статье. CNN учится, извлекая функции автономно, используя фильтр фиксированного размера для информации, которая постоянно вводится.Вместо того, чтобы использовать входную информацию для извлечения признаков, извлекается и изучается только значимая конкретная информация, тем самым сокращая объем сложных вычислений, выполняемых в процессе обучения. Многие функции могут быть извлечены путем изменения размера фильтра, а функции, извлеченные с использованием одного или нескольких фильтров, составляют один слой. Кроме того, применяется увеличение данных, чтобы увеличить ограниченный объем данных, поскольку производительность распознавания улучшается по мере увеличения количества данных, используемых при обучении.Поскольку потеря и деформация данных являются серьезными при реверсировании левого и правого направления, масштабирование и изменение цвета применяются к 2D-ЭКГ, а объем данных может быть увеличен с помощью перемещения вверх, вниз, влево и вправо в местоположении изображения с исходным изображением в качестве исходного. реперный, как показано на рисунке 8.



      Недавно представленные ResNet [21] и DenseNet [22] были предложены для решения проблемы, при которой исходные черты изображения теряются на конечном этапе вывода как глубина изображения. модель CNN увеличена [23].Однако изображение ЭКГ состоит из простого фона и кривых, в отличие от обычного изображения, которое содержит сложные шаблоны. Следовательно, нет необходимости разрабатывать этапы глубокого уровня для модели CNN. Напротив, производительность может ухудшиться при увеличении количества параметров. Таким образом, предлагаемая ансамблевая сеть состоит из 3 отдельных моделей CNN в качестве номера другого уровня и значений параметров. Хорошие характеристики, извлеченные из каждой сети, используются для обучения путем объединения в одни данные. Функции нелинейной активации, такие как выпрямленные линейные единицы (ReLU), линейные единицы с исправлением утечки (LReLU) и экспоненциальные линейные единицы (ELU), используются в модели CNN для вывода веса ядра.Поскольку ReLU, который чаще всего используется в CNN, преобразует отрицательные числа в 0, использовался ELU, который позволяет использовать отрицательные числа. Для функции стоимости использовалась функция оптимизации, поскольку она измеряет состояние обучения модели CNN и отображает разницу между образец, используемый для обучения, и ожидаемые выходные данные. Адам, функция оптимизации на основе градиентного спуска, использовалась для минимизации функции стоимости. В то время как ConvNet-1 и 2, одиночные сети, используемые в ансамблевой сети, состоят из идентичных уровней, состоящих из 3 слоев свертки, 3 уровней максимального объединения и 3 полностью связанных слоев, дифференциация была достигнута за счет использования скорости обучения 0 .001 и 0,01 соответственно. ConvNet-3 состоит из 2-х уровней свертки, 2-х слоев с максимальным объединением и 3-х полностью подключенных слоев, и 0,001 использовалось в качестве скорости обучения.

      4. Экспериментальные результаты

      База данных ЭКГ была получена путем взятия 128 выборочных измерений для каждого из 18 субъектов, состоящих из 5 мужчин (возраст 26 ~ 45) и 13 женщин (возраст 20 ~ 50) в базе данных нормального синусового ритма MIT-BIH. (NSRDB), БД ЭКГ. В этой статье 4500 страниц обучающих данных, 2700 страниц проверочных данных и 1800 страниц тестовых данных были использованы для данных изображения ЭКГ на основе реперных точек и

      страниц обучающих данных, 54000 страниц проверочных данных и 36000 страниц тестовых данных. используется для данных изображения ЭКГ, не основанных на реперных точках.Для анализа производительности каждого класса, Precision, Recall, F1-score и Accuracy, использовались стандарты оценки производительности, используемые при распознавании образов. Точность, отзыв, оценка F1 и точность для каждого класса были рассчитаны путем применения TP (истинно положительный), TN (истинно отрицательный), FP (ложноположительный) и FN (ложноотрицательный) в (7), (8), (9) и (10). На рисунках 9 и 10 показан результат, отображаемый с использованием матрицы неточностей для производительности распознавания пользователем для опорных точек и 2D-изображений ЭКГ на основе нефидециальных точек, примененных к ансамблевой сети.Это результат, полученный с расчетным значением путем ввода данных теста ЭКГ на основе реперных точек для 1800 субъектов и данных теста ЭКГ на основе неосновных точек для 36000 субъектов в модели обученной нейронной сети.

      В столбцах отображается наземная истина, а в строках отображается количество данных ЭКГ для предложенного метода. Следующий пример поможет понять матрицу путаницы: 15-я строка на рисунке 9 (b), которая относится к классу O, классифицируется на 89 данных ЭКГ (истинно положительные), которые были точно распознаны как данные класса O, и 11 данных ЭКГ (ложно отрицательные ), которые были ошибочно распознаны как F-класс и Q-класс из 100 данных.Кроме того, 1708 данных ЭКГ, не относящихся к классу O (истинно отрицательные), которые были точно распознаны как классы, отличные от класса O, и 2 данные ЭКГ класса B и C (ложноположительные), которые были ошибочно признаны как класс O, были подтвержденный.

      Используя такой метод анализа, в таблице 2 показаны результаты распознавания пользователей с использованием 2D-изображения ЭКГ на основе реперных точек. Точность распознавания пользователей для ансамблевой сети, предложенная в этой статье, показала улучшение производительности на 1–1,7% по сравнению с характеристиками распознавания пользователей на основе одной сети.В таблице 3 показаны результаты распознавания пользователей с использованием 2D-изображения ЭКГ, не основанного на точках отсчета. Как и в случае распознавания пользователей на основе реперных точек, точность распознавания пользователей для ансамблевой сети показала улучшение производительности на 0,9% ~ 2% по сравнению с характеристиками распознавания пользователей на основе одной сети.

      030 91028% -3 906 906 97% 3 2 в частности Поскольку данные ЭКГ N-класса и O-класса отображали аналогичные формы сигналов с наименьшим изменением значений расстояния между сигналами P, QRS и T по сравнению с другими классами, при использовании одной сети была показана низкая скорость распознавания.Однако самый высокий уровень распознавания 96,5% был показан при применении к модели ансамблевой сети, как показано на рисунке 11. По сравнению с одиночной сетью, разница в производительности распознавания составила 4,5% ~ 13%.


      5. Выводы

      В этой статье был предложен метод ансамблевой сети на основе данных ЭКГ для распознавания пользователей в среде интеллектуальной автомобильной платформы. Эффективность распознавания была проверена путем применения 2D-изображения ЭКГ к модели CNN, которая показала отличную производительность в областях распознавания и классификации изображений.Обучающие данные были преобразованы в 2D-изображение путем прохождения процесса удаления шума и сегментации сигнала для каждого периода после их классификации с помощью метода на основе реперных точек с использованием метода обнаружения характерных точек и метода нелегальных точек из-за изменения времени. Кроме того, сеть ансамбля была разработана для повторного обучения с использованием хороших данных характеристик, извлеченных из каждой отдельной сети, для обработки данных, которые трудно обучить в одной сети и применить к системе распознавания пользователей.Когда эффективность метода, предложенного в этой статье, была проанализирована, точность распознавания пользователей на основе ансамблевой сети с использованием 2D-изображения ЭКГ с реперной точкой показала улучшение на 1% ~ 1,7% по сравнению с характеристиками распознавания пользователей на основе одной сети. Результат распознавания пользователя для 2D-изображения ЭКГ без реперных точек с использованием метода распознавания пользователей на основе ансамблевой сети показал улучшение производительности на 0,9% ~ 2% по сравнению с характеристиками распознавания пользователя на основе одной сети. Кроме того, решив проблему, присущую одиночным сетям, которые демонстрируют низкую скорость распознавания из-за невозможности распознавать аналогичные формы сигналов с предлагаемой ансамблевой сетью, была проверена возможность применения в платформе интеллектуальных автомобилей, которая требует высокой надежности.В будущем мы планируем провести исследование распознавания пользователей для реальных приложений путем приобретения нескольких проприетарных баз данных на основе изменений состояния, таких как место измерения ЭКГ и тренировка пользователя, сон и состояние после питья.

      Добавить комментарий

      Ваш адрес email не будет опубликован. Обязательные поля помечены *

      Вся информация, размещенная на сайте, носит ознакомительный характер и не является руководством к действию. Перед применением любых лекарств и методов лечения необходимо обязательно проконсультироваться с врачом. Администрация ресурса osteohondroz24.ru не несет ответственность за использование материалов, размещенных на сайте. Копирование материалов разрешается только с указанием активной ссылки на сайт.


      Точность Отзыв F1-Score Точность Точность
      0,97% 0,97% 97,3%
      ConvNet-2 0,98% 0,98% 0,98% 97,9%
      0,97% 0,97% 97,2%
      Ансамблевые сети 0,99% 0,99% 0,99% 98,9
      2
    1. 2

    2. Прецизионность Отзыв F1-Score Точность


      0,97% 0,97% 97,2%
      ConvNet-2 0,97% 0,97% 0,97% 96,6%
      0,98% 0,98% 97,7%
      Ансамблевые сети 0,99% 0,99% 0,99% 98,6