نرخ بالای آلارم‌های کاذب آریتمی در بخش اورژانس مراقبت ویژه (ICU)

نرخ بالای آلارم‌های کاذب آریتمی در بخش اورژانس مراقبت ویژه (ICU) می‌تواند منجر به اختلال در مراقبت، تأثیر منفی بر سلامت بیماران از طریق اختلالات صوتی و کاهش زمان پاسخ کارکنان به دلیل خستگی هشدار شود. رویکردهای کاهش هشدار کاذب قبلی اغلب مبتنی بر قوانین هستند و به ویژگی‌های دست ساز از شکل موج‌های فیزیولوژیکی به عنوان ورودی طبقه‌بندی‌کننده‌های یادگیری ماشین نیاز دارند.

علی‌رغم تلاش‌های قابل‌توجه قبلی برای رسیدگی به این مشکل، هشدارهای کاذب یک مشکل مداوم در ICU هستند. در این کار، ما یک چارچوب یادگیری عمیق را ارائه می‌کنیم تا به‌طور خودکار بازنمایی ویژگی‌های شکل‌های موج فیزیولوژیکی را با استفاده از شبکه‌های عصبی کانولوشنال (CNN) برای تمایز بین آلارم‌های آریتمی واقعی در مقابل کاذب، یاد بگیریم.

ما از یادگیری متضاد برای به حداقل رساندن همزمان از دست دادن طبقه‌بندی آنتروپی متقاطع باینری و از دست دادن شباهت پیشنهادی از مقایسه‌های جفتی بخش‌های شکل موج در طول زمان به عنوان یک محدودیت متمایز استفاده می‌کنیم.

علاوه بر این، ما مدل‌های عمیق خود را با تعبیه‌های آموخته‌شده از یک روش مبتنی بر قانون تقویت می‌کنیم تا از دانش حوزه قبلی برای هر نوع زنگ هشدار استفاده کنیم. ما روش خود را با استفاده از مجموعه داده از چالش PhysioNet Computing in Cardiology در سال 2015 ارزیابی می کنیم.

تجزیه و تحلیل ابلیشن نشان می دهد که یادگیری متضاد به طور قابل توجهی عملکرد یک یادگیری عمیق ترکیبی و رویکرد تعبیه مبتنی بر قانون را بهبود می بخشد. نتایج ما نشان می‌دهد که چارچوب یادگیری عمیق پیشنهادی نهایی در مقایسه با ورودی‌های برنده چالش، به عملکرد برتر دست می‌یابد.

معرفی بخش اورژانس

ICU ها بخش اورژانسبرای ارائه مراقبت های حاد برای بیماران مبتلا به صدمات یا بیماری های شدید و تهدید کننده زندگی با استفاده از مانیتورهای پیچیده کنار تخت مانند پالس اکسیمتر (PPG)، نوار قلب (ECG)، کاتتر فشار خون شریانی (ABP)، کاتتر فشار ورید مرکزی و ونتیلاتورها طراحی شده اند. در حالت ایده‌آل، این مانیتورها با سیستم هشدار داخلی می‌توانند زمانی که سیگنال‌های فیزیولوژیکی بخش اورژانس بیمار خارج از محدوده‌های از پیش تعریف‌شده هستند،

هشداری را به ارائه‌دهندگان مراقبت‌های بهداشتی ارسال کنند.

از یک طرف،

آلارم‌های آریتمی در مانیتورهای مبتنی بر ICU عمداً به گونه‌ای طراحی شده‌اند که بسیار حساس باشند تا هیچ رویداد تهدیدکننده‌ای را از دست ندهند. با این حال، حساسیت بالا ویژگی این آلارم ها را به خطر می اندازد. با توجه به Drew et al.2 نسبت هشدار کاذب در ICU می تواند تا 88.8% باشد.

آلارم ها بخش اورژانس به طور نادرست توسط عوامل بسیاری از جمله نویز و مصنوعات ناشی از حرکت بیمار، تداخل خط برق، نویز تماس الکترود و نویز دستگاه جمع آوری داده ایجاد می شوند. هشدارهای نادرست به یک تهدید غیرقابل مشاهده در ICU تبدیل می شوند، زیرا نه تنها منجر به محرومیت از خواب3، ساختار پایین خواب4، استرس برای بیماران و کارکنان و سیستم ایمنی افسرده می شوند،

بلکه بیماران را در معرض خطر حساسیت زدایی نسبت به هشدارها و کاهش زمان واکنش قرار می دهند. در مقابل، تنها 2 تا 9 درصد از همه آلارم‌های ICU به درستی راه‌اندازی می‌شوند و این آلارم‌ها نیاز به پاسخ فوری و حرفه‌ای دارند. بنابراین، هشدارهای کاذب امروزه یک مشکل مهم در ICU ها ایجاد می کند.

روش‌های پیشنهادی برای کاهش میزان آلارم‌های کاذب آریتمی بخش اورژانس در PhysioNet 2015 Challenge9 را می‌توان تقریباً به دو دسته تقسیم کرد: روش‌های مبتنی بر قانون و روش‌های یادگیری ماشین. بهترین روش‌ها از چالش 2015 عمدتاً مبتنی بر قوانین هستند و نیاز به ساخت ویژگی‌های مهندسی شده با دست دارند. روش‌های مبتنی بر قانون عمدتاً از تحلیل منطقی مبتنی بر قانون تعریف شده توسط متخصص برای تجزیه و تحلیل سیگنال‌های فیزیولوژیکی بیماران استفاده می‌کنند. به طور خاص، روش‌ها در این زمینه عمدتاً شامل ارزیابی کیفیت سیگنال و تشخیص کمپلکس QRS به منظور تجزیه و تحلیل ضربان قلب است.

الگوریتم های یادگیری ماشین به طور گسترده ای در زمینه پزشکی استفاده شده است. پنگ و همکاران معرفی تکنیک‌های یادگیری ماشینی برای تبدیل نقشه همبستگی تشدید مغناطیسی هسته‌ای (NMR) به اطلاعات کاربرپسند برای تشخیص و پایش بیماری در نقطه مراقبت. لاو و همکاران از مطالعات پلیمریزاسیون و طیف‌سنجی تشدید مغناطیسی دو بعدی هسته‌ای (2D-NMR) برای بررسی این فرضیه که اکسیداسیون HOCl ساختار فیبرینوژن و زمان آرامش T2 پروتون‌های آب در ژل‌های فیبرین را تغییر می‌دهد، استفاده کنید.

در مسئله کاهش هشدار کاذب بخش اورژانس، روش‌های متداول مبتنی بر یادگیری ماشین یک مدل طبقه‌بندی را با استفاده از ویژگی‌های دست ساز به عنوان ورودی برای طبقه‌بندی هشدارها آموزش می‌دهند. عملکرد این روش های قبلی به شدت به کیفیت این ویژگی های دست ساز یا به طراحی قوانینی بستگی دارد که نمی توانند به طور خودکار الگوهای پیچیده در داده های شکل موج را مدل کنند.

اگرچه یادگیری عمیق تکنیک‌های یادگیری بازنمایی قدرتمندی را برای ثبت خودکار الگوهای پیچیده در داده‌ها فراهم می‌کند، رویکردهای یادگیری عمیق معمولی برای تجزیه و تحلیل شکل موج فیزیولوژیکی در کاهش هشدار کاذب موفقیت محدودی در عملکرد بهتر از تکنیک‌های مبتنی بر قانون در PhysioNet 2015 Challenge9 داشته است

کاهش آلارم آریتمی کاذب در ICU یک مشکل چالش برانگیز برای رویکردهای یادگیری عمیق است که دلیل آن داده‌های با ابعاد بالا از طول توالی طولانی سیگنال‌های شکل موج فیزیولوژیکی چند کانالی، کلاس‌های نامتعادل آلارم‌های واقعی در مقابل کاذب، و مهمتر از همه، تعداد محدودی است. از سوابق با برچسب حقیقت زمینی به دلیل این واقعیت است که حاشیه نویسی کارشناسانه آلارم های آریتمی پر زحمت و پر هزینه است.

برای پرداختن به چالش‌های فوق، ما یک چارچوب یادگیری متضاد عمیق جدید برای تشخیص آلارم‌های آریتمی واقعی بر اساس معماری CNN14 طراحی می‌کنیم. در مدل پیشنهادی، ما از CNN به عنوان رمزگذار سیگنال برای استخراج خودکار ویژگی‌های سیگنال‌های ورودی مرتبط با وظیفه طبقه‌بندی خود استفاده می‌کنیم. ما پیشنهاد می کنیم از ایده یادگیری متضاد با شبکه سیامی 15 و محدودیت های تبعیض آمیز برای یادگیری یک نمایش موثر با ابعاد پایین سیگنال های شکل موج با ابعاد بالا برای بهبود رمزگذار سیگنال، جلوگیری از برازش بیش از حد و غلبه بر مشکل داده های آموزشی ناکافی استفاده کنیم.

علاوه بر این، برای استفاده از تمام سوابق آموزشی موجود در مجموعه داده، مدل‌های یادگیری عمیق خود را با استفاده از سوابق همه انواع هشدار به طور همزمان آموزش می‌دهیم و از تعبیه‌های آموخته‌شده از انواع زنگ هشدار سوابق به عنوان ورودی به مدل‌های یادگیری عمیق خود استفاده می‌کنیم تا طبقه‌بندی بین انواع زنگ هشدار را فعال کنیم.

همزمان. در نهایت، ما مدل خود را با استفاده از یک رویکرد مبتنی بر قانون برای یادگیری یک جاسازی به عنوان ورودی به مدل‌های عمیق خود تقویت می‌کنیم. این روش ما را قادر می‌سازد تا با استفاده از تکنیک‌های مبتنی بر قانون که از ساختار فیزیولوژیکی شناخته شده سیگنال‌ها برای کار طبقه‌بندی استفاده می‌کنند،

به یادگیری کارآمد برچسب در یک مجموعه داده برچسب‌گذاری شده کوچک دست یابد. نتایج مجموعه آزمایشی دیده نشده نشان می دهد که روش ما از همه روش های ارائه شده در رویداد بلادرنگ در چالش PhysioNet 20159 بهتر عمل می کند.

مشارکت های اصلی ما به شرح زیر خلاصه می شود:

یک مدل یادگیری عمیق در کاهش هشدار کاذب، با استفاده از CNN به عنوان رمزگذار سیگنال برای کاهش طول سیگنال‌های ورودی و تشخیص الگوهای زمانی و مکانی در داده‌های شکل موج چند کانالی پیشنهاد می‌کنیم.

یک چارچوب یادگیری متضاد را با استفاده از شبکه سیامی و محاسبه یک محدودیت متمایز برای جلوگیری از تطبیق بیش از حد و رسیدگی به چالش داده‌های آموزشی محدود ایجاد می‌کنیم.

مدل یادگیری عمیق خود را با جاسازی‌هایی که توسط روشی مبتنی بر قانون ایجاد می‌شود، تقویت می‌کنیم تا از دانش دامنه خاص برای هر نوع هشدار برای یادگیری نمایش کارآمد برچسب استفاده کنیم.

کار مرتبط

روش های مبتنی بر قانون

پلسینجر و همکاران هر کانال در رکورد را برای فعالیت منظم قلب با استفاده از توزیع QRS و اطلاعات R-R مشتق شده آزمایش کنید. دالوات و همکاران الگوریتمی را بر اساس یادداشت‌های ضربان قلب جهانی ایجاد کنید که با ترکیب تشخیص ضربان قلب فردی از سیگنال‌های فیزیولوژیکی متعدد ایجاد می‌شود و سپس یک معیار آریتمی را برای تشخیص ضربان قلب جهانی برای طبقه‌بندی زنگ هشدار اعمال کنید.

انصاری و همکاران از یک الگوریتم تشخیص اوج چند وجهی استفاده کنید و نتایج حاصل از چندین الگوریتم تشخیص اوج را برای ایجاد یک الگوریتم تشخیص اوج قوی ترکیب کند.

Tsimenidis و همکاران. روشی را پیشنهاد کنید که شامل فیلتر بالا گذر برای حذف بی‌ثباتی خط پایه، مقیاس‌گذاری برای عادی‌سازی دامنه‌های شکل موج، تشخیص شکل‌های موج نویزدار و مسطح، تمایز برای برجسته‌کردن لبه‌های شکل موج تیز، تشخیص ضربان، زمان‌بندی بین ضربان‌های قبل از شروع زنگ هشدار، و تشخیص شرایط هشدار است.

او و همکاران از یک شاخص کیفیت سیگنال مشتق شده (SQI) برای نشان دادن درجه کیفیت سیگنال استفاده کنید. خطای باقیمانده با وزن SQI فیلترهای کالمن (KF) برای تکمیل ترکیب داده ها برای ارزیابی ضربان قلب (HR) استفاده می شود. در نهایت، الگوریتم کاهش هشدار کاذب آریتمی بر اساس روش ترکیب تخمین‌های SQI و HR برگرفته از شکل موج‌های ECG و ABP توسعه یافته است. فالت و همکاران تخمین ضربان قلب از شکل موج های ضربانی با استفاده از یک الگوریتم ردیابی فرکانس تطبیقی یا محاسبه شده از ECG با استفاده از رویکرد مورفولوژی ریاضی تطبیقی بر اساس کیفیت سیگنال های موجود. علاوه بر این، آنها یک اندازه گیری تکمیلی بر اساس خلوص طیفی ECG برای تعیین اینکه آیا تاکی کاردی بطنی یا آریتمی فلوتر/فیبریلاسیون رخ داده است معرفی می کنند.

در نهایت،

صحت هشدار بر اساس مجموعه ای از قوانین تصمیم گیری در مورد مقادیر ضربان قلب و خلوص طیفی تعیین می شود. کوتو و همکاران استفاده از ECG همزمان و شکل موج های ضربانی21. آشکارسازهای QRS برای تولید مجموعه‌ای از تشخیص‌های QRS برای هر سیگنال استفاده می‌شوند که باید برای تشخیص هشدارهای نادرست استفاده شوند.

در صورتی که برخی از سیگنال‌ها آلوده به نویز باشند، کیفیت سیگنال هر شکل موج ارزیابی می‌شود تا مشخص شود آیا تشخیص QRS به‌دست‌آمده در آن شکل موج قابل اعتماد است یا خیر. سپس مجموعه ای از قوانین برای هر نوع زنگ هشدار استفاده می شود. اگرچه روش‌های مبتنی بر قانون مؤثر هستند و معمولاً در زمینه‌های پزشکی مورد استفاده قرار می‌گیرند، اما برای طراحی قوانین و ارزیابی به دانش تخصصی گسترده‌ای نیاز است.

روش های یادگیری ماشین سنتی

آنتینک و همکاران رویکردی را ارائه می‌کند که سیگنال‌های قلبی چند وجهی را از نظر فواصل ضربان به ضرب و همچنین ریتمیک متوسط آنها تجزیه و تحلیل می‌کند. بر اساس این تحلیل، چندین ویژگی در حوزه زمان و فرکانس استخراج شده و برای چندین رویکرد یادگیری ماشین استفاده می‌شود.

Eerikainen و همکاران. طبقه‌بندی‌کننده‌های جنگل تصادفی را برای هر نوع آریتمی با ویژگی‌های خاص آریتمی که از اطلاعات کیفیت سیگنال و ویژگی‌های فیزیولوژیکی محاسبه می‌شود،

آموزش دهید.

کالیداس و همکاران از ترکیبی از تجزیه و تحلیل منطقی و تکنیک های یادگیری ماشین مبتنی بر SVM استفاده کنید. اطلاعات از سیگنال های اصلی برای تجزیه و تحلیل منطقی و برای تشکیل مجموعه ویژگی ها استفاده می شود. کابالرو و همکاران یک درخت تصمیم برای هر دسته آریتمی ایجاد کنید، که با دانش دامنه ترکیب می شود تا مجموعه ای از عبارات if/else را تولید کند. با استفاده از سیگنال های ABP و PPG، درخت های تصمیم گیری جداگانه آموزش داده می شوند.

افقه و همکاران مدلی مبتنی بر تئوری بازی ائتلافی پیشنهاد می‌کند که وابستگی‌های بین ویژگی‌ها را در تعیین پیش‌بینی‌کننده‌های برجسته با توجه به آلارم‌های کاذب در نظر می‌گیرد. آنتینک و همکاران رویکردی را ارائه می‌کند که سیگنال‌های قلبی چند وجهی را از نظر فواصل ضربان به ضرب و همچنین ریتمیک متوسط آنها تجزیه و تحلیل می‌کند. بر اساس این تجزیه و تحلیل، چندین ویژگی در حوزه زمان و فرکانس استخراج شده و برای کارهای بعدی یادگیری ماشین استفاده می شود. زائری امیرانی و همکاران.

یک روش انتخاب ویژگی نظری بازی با پیچیدگی کم محاسباتی را پیشنهاد می‌کند که مبتنی بر الگوریتم ژنتیکی است که آموزنده‌ترین نشانگرهای زیستی را در سیگنال‌های جمع‌آوری‌شده از دستگاه‌های نظارتی مختلف شناسایی می‌کند. او یونگ و همکاران یک جنگل تصادفی را اعمال می کند و در عین حال انتخاب ویژگی را به منظور کاهش پیچیدگی مدل ها و بهبود کارایی الگوریتم انجام می دهد.

روش های یادگیری عمیق

لمن و همکاران ارائه یک مدل مولد نظارت شده برای طبقه‌بندی آلارم‌های تاکی کاردی بطنی با استفاده از تعبیه‌های غیر خطی دینامیک ECG28.

این مدل نوعی از رمزگذار خودکار Denoising است

که با استفاده از ترکیبی از اتلاف افتراقی و مولد آموخته شده است. علاوه بر این، تبدیل‌های ویژگی با استفاده از ساختار فیزیولوژیکی شناخته شده در سیگنال‌های ECG برای فعال کردن یادگیری تحت محدودیت‌های داده‌های برچسب‌گذاری شده محدود بررسی می‌شوند.

برای این منظور، یک رویکرد چند مرحله ای برای استفاده از تبدیل FFT ضربان های متوالی قلب پیشنهاد شده است. هومن و همکاران روشی برای آموزش شبکه‌های عصبی مبتنی بر تکامل عصبی با استفاده از الگوریتم بهینه‌سازی مگس‌های پراکنده در یک طرح مبتنی بر جمعیت بدون گرادیان ارائه می‌کند.

موسوی و همکاران یک شبکه مبتنی بر یادگیری عمیق متشکل از لایه‌های CNN، مکانیسم توجه و واحدهای LSTM برای کاهش آریتمی هشدار کاذب در ICUs30 پیشنهاد می‌شود.

یو و همکاران طراحی یک شبکه عصبی کانولوشن گروه عمیق چند کاناله برای کاهش هشدار کاذب31. مدل آنها سیگنال های خام چند کانالی را به عنوان ورودی دریافت می کند و هسته های مختلفی برای عملیات کانولوشن با توجه به نوع زنگ هشدار استفاده می شود.

Zihlmann و همکاران 32 دو مدل یادگیری عمیق را برای طبقه‌بندی ضبط‌های ECG با طول دلخواه با استفاده از مجموعه داده Physionet Challenge 201733 پیشنهاد می‌کنند.

مدل اول یک معماری عمیق CNN با تجمع ویژگی های مبتنی بر میانگین در طول زمان است. مدل دوم لایه‌های کانولوشنال را برای استخراج ویژگی با لایه‌های حافظه بلند مدت (LSTM) برای تجمع زمانی ویژگی‌ها ترکیب می‌کند. آنها از دو تکنیک افزایش داده، ترک تحصیل و نمونه‌گیری مجدد تصادفی، برای داده‌های ECG در طول تمرین استفاده می‌کنند.

هونگ و همکاران یک طبقه‌بندی‌کننده گروهی برای ترکیب ویژگی‌های خبره و مدل‌های یادگیری عمیق با هم برای طبقه‌بندی ECG34 در مجموعه داده Physionet Challenge 2017 پیشنهاد کنید. هیوارینن و همکاران یک اصل یادگیری را برای یادگیری بازنمایی بدون نظارت در سری‌های زمانی پیشنهاد می‌کند، که مبتنی بر تجزیه و تحلیل ناپایداری در داده‌های زمانی با تمایز بین بخش‌های زمانی است. کیاسه و همکاران خانواده‌ای از مکانیسم‌های پیش‌آموزشی تحت نظارت خود را بر اساس یادگیری متضاد برای سیگنال‌های فیزیولوژیکی پیشنهاد کنید.

پی و همکاران مدلی برای تجزیه و تحلیل سری های زمانی پیشنهاد کنید که اندازه گیری شباهت را بر روی جفت سری های زمانی به شیوه ای نظارت شده می آموزد. در شبکه سیامی، دو سری زمانی به یک شبکه تکراری برای استخراج ویژگی وارد می‌شوند. وو و همکاران یک مدل یادگیری عمیق سرتاسر برای یادگیری نمایش‌های محلی سری‌های زمانی38 پیشنهاد کنید. از دست دادن جاسازی محلی برای بهینه‌سازی یک شبکه سیامی اعمال می‌شود و می‌توان فضای ویژگی‌ای را که فاصله‌های مکانی زمانی بین سری‌های زمانی را حفظ می‌کند، در چارچوب آنها آموخت.

روش شناسی

در یادگیری عمیق، CNN با موفقیت در بسیاری از حوزه‌های مختلف مانند طبقه‌بندی تصویر39 و همچنین وظایف مختلف پردازش زبان طبیعی استفاده شده است. با انگیزه موفقیت CNN و انواع آن در این حوزه های مختلف، محققان شروع به استفاده از CNN برای طبقه بندی سری های زمانی کرده اند. مدل‌های رایج CNN مانند FCN43 و ResNet44 در استخراج ویژگی‌های فضایی محلی خوب هستند و ResNet می‌تواند یک معماری بسیار عمیق را پشتیبانی کند. با این حال، برای استفاده از قدرت FCN و ResNet، این مدل‌ها تا حد امکان از لایه‌های CNN استفاده می‌کنند.

از آنجایی که تعداد محدودی رکوردهای تمرینی داریم، تمرین کردن برای ما سخت است.

بنابراین، ما یک مدل یادگیری عمیق را برای طبقه‌بندی آلارم‌های آریتمی با استفاده از یک CNN 1 بعدی آموزش می‌دهیم که می‌تواند ویژگی‌های محلی داده‌های یک بعدی مانند داده‌های سری زمانی را استخراج کند.

کوچک است و آموزش آن آسان است. در مدل پیشنهادی، از چهار بلوک CNN برای استخراج ویژگی‌های سیگنال‌های ورودی خام استفاده می‌شود. هر بلوک دارای اندازه کرنل متفاوتی است. به منظور بهبود عملکرد استخراج کننده ویژگی و جلوگیری از مشکل بیش از حد برازش، که در این مشکل بسیار مهم است،

ما یک تابع از دست دادن جفتی را پیشنهاد می کنیم که از یادگیری متضاد استفاده می کند. در حالی که روش‌های دیگر از یادگیری متضاد بین رکوردهای مختلف استفاده می‌کنند، ما از روش یادگیری متضاد استفاده می‌کنیم و تلفات جفتی را بین دو بخش مختلف در یک رکورد هشدار محاسبه می‌کنیم.

به طور خاص، معماری شبکه سیامی پیشنهادی، نمایش‌های نهفته سیگنال‌ها را از طریق یادگیری متضاد از دو بخش از یک رکورد شکل موج بیمار، یعنی «سیگنال هشدار دهنده» (یا به اختصار «سیگنال هشدار»)، که بخش شکل موج است، یاد می‌گیرد. که زنگ را به راه انداخت،

و یک “سیگنال پایه” پیش از زنگ که یک بخش شکل موج نمونه برداری تصادفی با همان طول است که نشان دهنده خط پایه همان بیمار قبل از رویداد هشدار دهنده است.

علاوه بر این، برای استفاده از دانش دامنه کدگذاری شده در روش‌های مبتنی بر قانون، مدل خود را با خروجی از روش مبتنی بر قانون پیشنهاد شده توسط پلسینگر و همکاران 10 تقویت می‌کنیم. برای هر رکورد، خروجی روش مبتنی بر قانون را به شبکه های خود وارد می کنیم تا یک جاسازی ایجاد کنیم.

پس از تبدیل سیگنال های خام به یک بردار نمایش، سپس با تعبیه نوع زنگ و تعبیه مبتنی بر قانون به عنوان ورودی به یک لایه طبقه بندی الحاق می شود تا احتمال هشدار نادرست برای هر رکورد ایجاد شود. در نهایت مطالعه مطابق با دستورالعمل ها و مقررات مربوطه و مطابق با اعلامیه هلسینکی انجام شد.

معماری مدل

شکل 1 معماری مدل پیشنهادی و چارچوب یادگیری عمیق را نشان می دهد. این معماری شامل یک رمزگذار سیگنال، دو لایه کاملا متصل و یک لایه طبقه بندی است. رمزگذار سیگنال مبتنی بر معماری CNN است، و از این رو، بر مهندسی ویژگی‌ها متکی نیست. تعداد گام‌های زمانی را با Tl، تعداد متغیرها را Ml، اندازه هسته لایه CNN را Dl، ورودی را به صورت X(l)∈RMl×Tl�(�)∈� نشان می‌دهیم. �×��، اندازه کامل فیلترها به صورت W(l)∈RMl-1×Dl×Ml�(�)∈����-1×��×��، و بایاس به صورت B(l)~~RMl ×Tl�(�)∈����×�� در لایه دوم CNN. فرض کنید X(l)m,t��,�(�) مقدار متغیرهای mth(0<m≤M)�th(0<�≤�) با tth(0<t≤T)�th باشد (0<�≤�) سری ورودی گام زمانی. با تابع فعال سازی f(⋅)�(⋅) واحد خطی اصلاح شده (ReLU)، می توانیم مقدار هر موقعیت را برای ∀m∈{1,2,3,…,Ml},∀t∈{1,2 بدست آوریم. ,3,…,Tl},∀l∈{1,2,3,…,L}∀�∈{1,2,3,…,��},∀�∈{1,2,3,…, ��}، ∀�∈{1،2،3،…،�}.
X(l)m,t=f(B(l)m,t+∑j=0Dl−1∑i=0Ml−1W(l)i,j,mX(l−1)i,t+j).� �,�(�)=� -1)).

تصویری از معماری مدل پیشنهادی و چارچوب یادگیری عمیق شکل تولید شده در پاورپوینت نسخه 1808، https://www.microsoft.com.

دو لایه کاملاً متصل به ترتیب لایه تعبیه زنگ هشدار و لایه تعبیه مبتنی بر قانون هستند. با انواع مختلف آلارم، سیگنال‌ها ممکن است ویژگی‌ها و ویژگی‌های متفاوتی برای هر نوع هشدار در تمایز بین هشدار واقعی و نادرست داشته باشند. از آنجایی که ما قبلاً اطلاعات مربوط به نوع زنگ هشدار هر رکورد را در مجموعه داده های آموزشی داریم،

نوع زنگ هشدار هر نمونه می تواند اطلاعات مفیدی را برای مدل در هنگام طبقه بندی ارائه دهد. لایه تعبیه آلارم نوع زنگ یک نمونه را به تعبیه با اندازه ثابت تبدیل می کند. با توجه به یک بردار یک داغ A∈R1×N�∈��1×� به عنوان یک نوع هشدار از یک رکورد داده شده، لایه تعبیه هشدار آن را به:
Ea=AWa،��=����،
(2)
که در آن Wa∈RN×Sa������������������������������������������������������������������������������������������������������������ى یک پارامتر قابل آموزش از لایه تعبیه زنگ هشدار است، N نشان دهنده تعداد انواع آلارم آریتمی و Sa�������اندازه تعبیه آلارم را نشان می دهد.
لایه جاسازی مبتنی بر قانون، خروجی را با روش مبتنی بر قانون به یک جاسازی تبدیل می کند. ما خروجی نتیجه را با روش مبتنی بر قانون به عنوان R نشان می دهیم. لایه جاسازی مبتنی بر قانون آن را به:
Er=RWr،��=����،
(3)
در جایی که ER�� تعبیه خروجی مبتنی بر قانون است ، WR∈RSR����� یک پارامتر قابل آموزش از لایه تعبیه مبتنی بر قانون است و SR�� نشان دهنده اندازه تعبیه مبتنی بر قانون است.
ما توانایی یادگیری قوی مدل‌های یادگیری عمیق و قواعد و تجربیات بالینی را از روش مبتنی بر قاعده با الحاق رمزگذاری پنهان سیگنال‌های خام Ee�، نوع هشدار تعبیه‌شده Ea�� و جاسازی مبتنی بر قانون Er�� به شرح زیر ترکیب می‌کنیم. :
E=Ee⊕Ea⊕Er.�=��⊕���⊕��.
(4)
در نهایت بردار الحاقی E∈R1×(Se+Sa+Sr)�∈�1×(���+���+��) به لایه طبقه بندی وارد می شود، که از یک لایه کاملاً متصل و به دنبال آن یک سیگموئیدی تشکیل شده است. لایه خروجی برای به دست آوردن احتمال درست بودن خروجی O هشدار فعال:
O=σ(EWc)،�=σ(���)،
(5)
که در آن Wc∈R(Se+Sa+Sr)×1�����(���+��+��)×1 پارامتر قابل آموزش لایه طبقه بندی و σσ تابع سیگموئید است.

ما از ایده شبکه سیامی برای محاسبه محدودیت تبعیض آمیز خود استفاده می کنیم. در اینجا، Encoder4A و Encoder4R یک “سیگنال هشدار” و یک “سیگنال پایه” نمونه برداری شده از یک رکورد شکل موج را به ترتیب به عنوان ورودی و خروجی بردار ویژگی خود می گیرند.

سپس از افت فاصله برای یافتن شباهت ورودی ها با مقایسه بردارهای ویژگی آنها استفاده می شود.

“سیگنال هشدار” به بخش شکل موج چند کانالی اشاره دارد که زنگ را به راه انداخته است (به عنوان مثال، بخش 10 ثانیه قبل از شروع زنگ هشدار)، و بخش “سیگنال پایه” به طور تصادفی از یک بازه زمانی قبلی از همان رکورد نمونه برداری می شود. . شکل تولید شده در پاورپوینت نسخه 1808، https://www.microsoft.com.

عملکرد از دست دادن

در مشکل کاهش هشدار نادرست، برچسب هر رکورد فقط TRUE و FALSE است، در حالی که طول هر کانال شکل موج هر رکورد 75000 نمونه است (بخش 5 دقیقه‌ای در 250 هرتز نمونه‌برداری شده است)، که به این معنی است که اطلاعات نظارت شده بسیار کوچک است.

برای آموزش یک مدل یادگیری عمیق

بنابراین، به جای اینکه فقط از برچسب هر رکورد استفاده کنیم، یک تابع تلفات مبتنی بر شباهت جفتی طراحی می کنیم که با استفاده از بخش های مختلف در شکل موج های همان رکورد به عنوان اطلاعات اضافی برای آموزش مدل خود محاسبه می شود.

انتخاب از دست دادن مبتنی بر شباهت با این واقعیت است که از نظر بالینی، تشخیص یک رویداد VT واقعی اغلب شامل مقایسه سیگنال‌ها بلافاصله قبل از شروع زنگ هشدار با سیگنال‌های همان بیمار در یک نقطه زمانی قبلی است تا مشخص شود آیا وجود دارد یا خیر.

تغییر در ECG بیمار نسبت به خط اولیه او بوده است. علاوه بر این، نمونه برداری از سیگنال های پایه همان بیمار به عنوان یک طرح افزایش داده عمل می کند تا اندازه نمونه موثر ما را افزایش دهد تا عملکرد در یک تنظیم داده برچسب گذاری شده کوچک را بهبود بخشد.

این از دست دادن مبتنی بر شباهت به عنوان یک محدودیت متمایز عمل می کند و با از دست دادن آنتروپی باینری در طول تمرین ترکیب می شود.

مدل ما دنباله 10 ثانیه ای از شکل موج های چند کاناله را بلافاصله قبل از شروع زنگ هشدار به عنوان “سیگنال های هشدار” می گیرد. ما از سیگنال‌های هشدار به‌جای کل سیگنال‌ها برای طبقه‌بندی استفاده می‌کنیم، زیرا زمان دقیق رویدادی که زنگ را به راه انداخته است در 10 ثانیه از زنگ هشدار است. استفاده از سیگنال های هشدار می تواند به طور موثر پیچیدگی محاسباتی را کاهش دهد و دقت طبقه بندی را به دلیل دشواری طبقه بندی سری های زمانی بسیار طولانی بهبود بخشد. در همین حال، ما همچنین به صورت تصادفی دنباله‌ای با طول سیگنال‌های خط پایه تصادفی قبل از زمان t-10 نمونه‌برداری می‌کنیم.

  s از همان بیمار به عنوان “سیگنال پایه” قبل از زنگ، که در آن t زمان شروع زنگ هشدار است. رمزگذار سیگنال یک شبکه سیامی است، به این معنی که می توان آن را به عنوان دو رمزگذار یکسان، Encoder4A و Encoder4R مشاهده کرد. آنها پیکربندی یکسانی با پارامترها و وزن های یکسان دارند. سیگنال‌های هشدار و سیگنال‌های خط پایه به ترتیب به Encoder4A و Encoder4R وارد می‌شوند تا بردار ویژگی مربوطه خود را ERe دریافت کنند.

  و EAe

. سپس از این دو بردار ویژگی برای محاسبه محدودیت های متمایز استفاده می شود. شکل 2 معماری شبکه سیامی را در محاسبه محدودیت افتراقی نشان می دهد. محدودیت تبعیض آمیز یک رکورد به حقیقت اصلی هشدار آن بستگی دارد. اگر زنگ هشدار نادرست باشد، بردار ویژگی خط پایه آن سیگنال ERe می دهد

  باید نزدیک به ویژگی سیگنال های هشدار EAe باشد

  از آنجایی که سیستم مانیتورینگ علائم حیاتی 10 ثانیه گذشته را با به راه انداختن اشتباه هشدار اشتباه ارزیابی کرد و این دو بردار ویژگی باید به عنوان یک نمایش مشابه در نظر گرفته شوند. محدودیت آنها را می توان به صورت زیر تعریف کرد:

C(i)false=−log(σ(f(EA)Tf(ER)))،

(6)

جایی که C(i)نادرست است

  محدودیت تبعیض آمیز یک رکورد با هشدار نادرست در یک دسته کوچک است. σ

  تابع سیگموئید است. f(⋅)

  رمزگذار سیگنال است. اگر زنگ درست باشد، ERe

  باید از EAe دور باشد

  برای اینکه سیگنال‌های هشدار علائم حیاتی غیرطبیعی واقعی را نشان دهند در حالی که سیگنال‌های پایه اینطور نیستند. سپس محدودیت باید به صورت زیر تعریف شود:

C(j)true=-log(σ(-(f(EA)Tf(ER))))،

(7)

جایی که C(j)درست است

  محدودیت افتراقی یک رکورد با زنگ واقعی در یک دسته کوچک است. محدودیت افتراقی در یک دسته کوچک می تواند به صورت زیر محاسبه شود:

C=1N1∑C(i)نادرست+1N2∑C(j)درست است.

(8)

در معادله بالا، C محدودیت متمایز محاسبه شده در یک دسته کوچک است. N1

  تعداد رکوردهای هشدار نادرست در یک مینی دسته و N2 است

  تعداد نمونه های زنگ واقعی است.

در روش آموزش، ما سعی می کنیم محدودیت تبعیض آمیز را برای هر مینی بچ به حداقل برسانیم. در همین حال، ما همچنین از تلفات آنتروپی متقاطع باینری (BCE) استفاده می‌کنیم تا اطمینان حاصل کنیم که بخش طبقه‌بندی مدل می‌تواند به درستی بردار طبقه‌بندی سیگنال‌های ورودی را طبقه‌بندی کند. تلفات آنتروپی متقاطع باینری به صورت زیر محاسبه می شود:

LBCE=1N∑iN−yilogyˆi−(1−yi)log(1−yˆi).

(9)

در معادله بالا، LBCE

  از دست دادن آنتروپی متقاطع باینری محاسبه شده است. N تعداد رکوردهای هشدار در یک مینی دسته است. یی

  برچسب زنگ هشدار یک نمونه است. yˆi

  احتمال درست بودن زنگ یک نمونه است.

تابع ضرری که در طول تمرین به حداقل می‌رسانیم، ترکیبی از محدودیت‌های متمایز و از دست دادن آنتروپی متقاطع باینری است. ما تابع ضرر را به عنوان مجموع وزنی از دست دادن آنتروپی متقاطع باینری و محدودیت متمایز به صورت زیر فرمول بندی می کنیم:

L=LBCE+w∗C،

(10)

جایی که w وزن است

آزمایش

مجموعه داده ها

این مطالعه از مجموعه داده های در دسترس عمومی و شناسایی نشده PhysioNet9 استفاده می کند. PhysioNet/Computing in Cardiology Challenge 2015 مجموعه داده ای با 750 رکورد برای توسعه الگوریتم و 500 رکورد ناشناس ارائه می دهد.

این سوابق شامل سیگنال‌های فیزیولوژیکی بیماران است که از چهار بیمارستان در ایالات متحده و اروپا جمع‌آوری شده است و از دستگاه‌های ساخته شده توسط سه شرکت تولیدکننده بزرگ دستگاه‌های مانیتور مراقبت‌های ویژه تهیه شده است.

هر رکورد حاوی یک زنگ هشدار برای یک رویداد آریتمی بود و آلارم راه‌اندازی شده توسط تیمی از حاشیه‌نویسان متخصص بررسی و برچسب‌گذاری شد. آسیستول (ASY)، برادی کاردی شدید (EBR)، تاکی کاردی شدید (ETC)، فیبریلاسیون بطنی یا فلوتر (VFB)، یا تاکی کاردی بطنی (VTA) پنج نوع هشدار در مجموعه داده ها هستند. هر رکورد حاوی دو لید ECG و حداقل یک شکل موج ضربانی PPG یا ABP بود. در برخی رکوردها، هر دو شکل موج ضربانی یا سیگنال تنفسی وجود داشت.

همه سیگنال ها با وضوح 12 بیت مجدداً نمونه برداری شده اند و فرکانس نمونه برداری 250 هرتز داشتند، بنابراین هر رکورد 5 دقیقه یا 5 دقیقه و 30 ثانیه است. شروع زنگ هشدار از ابتدای هر رکورد 5 دقیقه است.

زمان دقیق رویدادی که زنگ را به راه انداخته است، از رکوردی به رکورد دیگر تا حدودی متفاوت است، اما برای برآورده شدن استانداردهای AAMI، شروع رویداد باید 10 ثانیه پس از زنگ هشدار باشد.

برای رویداد 1، که یک مشکل سرکوب هشدار بلادرنگ است، هر رکورد دقیقاً 5 دقیقه است. برای رویداد 2، هر رکورد حاوی 30 ثانیه سیگنال اضافی پس از زمان هشدار است. ما در این مقاله روی رویداد 1 تمرکز می کنیم. برخی از آمارها در جدول 1 نشان داده شده است، و آمار دقیق تر در مورد این مجموعه داده را می توان در پیوست تکمیلی یافت.

پیش پردازش

در این مقاله، ما بر روی رویداد بلادرنگ تمرکز می‌کنیم و فقط از 300 ثانیه اول سیگنال برای هر رکورد استفاده می‌کنیم، که به این معنی است که فقط اطلاعات قبل از شروع زنگ هشدار استفاده می‌شود. بنابراین، برای هر رکوردی که استفاده می‌کنیم، رویدادی که زنگ را راه‌اندازی می‌کند،

در 10 ثانیه گذشته بلافاصله قبل از شروع زنگ هشدار است. قبل از اینکه سیگنال ها را به مدل وارد کنیم، سیگنال های خام در معرض انتساب و استانداردسازی قرار می گیرند.

در بخش انتساب، برخی از بیماران رکورد سیگنال های خاصی را ندارند. بنابراین، این سیگنال های گمشده با 0 نسبت داده می شوند. در بخش استانداردسازی، هر سیگنال در محدوده 0 تا 1 نرمال می شود.

برپایی

در آزمایش‌ها، از اعتبارسنجی متقاطع پنج‌گانه استفاده می‌کنیم. برای هر اعتبار سنجی متقاطع، یک فولد که برای ارزیابی مدل استفاده می شود دارای 150 رکورد و چهار برابر باقی مانده که برای آموزش مدل استفاده می شود دارای 600 رکورد است. در پایان، تمام نتایج ارزیابی میانگین گیری می شود.

ما از 4 بلوک CNN موازی در رمزگذار سیگنال استفاده می کنیم.

این 4 بلوک CNN دارای انداز

ه فیلترهای مختلف هستند که به ترتیب 50، 100، 200 و 400 هستند.

هر بلوک CNN دارای دو لایه کانولوشن با اندازه فیلتر یکسان است. اولین لایه کانولوشن از 64 فیلتر با گام 5، یک لایه عادی سازی دسته ای 46 و یک لایه واحد خطی اصلاح شده (ReLU) تشکیل شده است. لایه کانولوشنال دوم به جز تعداد کانال های ورودی، همان هایپرپارامترهای لایه اول را دارد.

لایه‌های کانولوشنیک توسط یک لایه Global Max Pooling دنبال می‌شوند تا ویژگی‌های متمایز سطح بالا را جمع‌آوری کرده و ویژگی‌ها را در سراسر کانال‌ها صاف کنند. اندازه خروجی لایه تعبیه مبتنی بر قانون و لایه تعبیه نوع هشدار هر دو 64 تنظیم شده است.

مدل ما با حداکثر 1000 دوره و اندازه کوچک دسته ای 256 آموزش داده شد.

ما از Adam optimizer48 برای به حداقل رساندن تلفات BCE و محدودیت متمایز با نرخ یادگیری 0.001 استفاده می کنیم. برای جلوگیری از مشکل بیش از حد برازش، از تنظیم L2 با مقدار 0.0005 استفاده می کنیم.

نرخ ترک تحصیل قبل از هر بلوک CNN به عنوان 0.8 تنظیم شده است. برای غلبه بر مشکل کلاس‌های نامتعادل، وزن 1.5 به نمونه‌های مثبت در تابع ضرر BCE اضافه شد زیرا تعداد رکوردهای هشدار منفی تقریباً 1.5 برابر تعداد رکوردهای زنگ مثبت است. وزن محدودیت افتراقی در طول تمرین روی 1.5 تنظیم شده است. روش مبتنی بر قانون که ما با آن مدل خود را ترکیب می کنیم توسط Ref.10 پیشنهاد شده است. مدل ما با استفاده از زبان برنامه نویسی پایتون و کتابخانه یادگیری عمیق PyTorch49 پیاده سازی شد.

روش های مقایسه شده

ما مدل پیشنهادی خود را بر روی مجموعه آزمایشی پنهان ارزیابی می‌کنیم و مقایسه‌هایی را با روش‌های یادگیری عمیق موجود که معمولاً برای طبقه‌بندی سری‌های زمانی و سه روش برتر رویداد بلادرنگ فهرست‌شده در وب‌سایت چالش استفاده می‌شوند،

ارائه می‌کنیم. روش های مقایسه شده به شرح زیر خلاصه می شود. (1) MLP ما پرسپترون چند لایه را به عنوان استخراج کننده ویژگی شکل موج ورودی اعمال می کنیم

و سپس از یک لایه متراکم برای طبقه بندی استفاده می کنیم. (2) FCN ما از یک شبکه کانولوشنال کاملا متصل به عنوان استخراج کننده ویژگی شکل موج ورودی استفاده می کنیم. (3) ResNet ما از ResNet به عنوان استخراج کننده ویژگی شکل موج ورودی استفاده می کنیم

(4) RB1 یک روش مبتنی بر قانون مبتنی بر آمار توصیفی و تبدیل فوریه و هیلبرت10. (5) ML1 یک مدل یادگیری ماشینی که از ترکیبی از تکنیک‌های منطقی و مبتنی بر SVM استفاده می‌کند.

(6) RB2 یک روش مبتنی بر قانون است که QRS را شناسایی و کیفیت سیگنال را تجزیه و تحلیل می کند و سپس یک قانون متفاوت را برای هر نوع هشدار اعمال می کند. (7) EDGCN یک شبکه عصبی کانولوشنال گروهی عمیق پیشنهاد شده توسط یو و همکاران نرخ-بالای-آلارمهای-کاذب-آریتمی.

نتایج

معیارهای ارزیابی برای کاهش هشدار غلط عبارتند از: دقت طبقه بندی (ACC)، نرخ مثبت واقعی (TPR) و نرخ منفی واقعی (TNR). چالش PhysioNet 20159 همچنین مکانیزم امتیازدهی رسمی را برای ارزیابی فراهم می کند. به صورت score=(TP+TN)/(TP+TN+FP+5×FN) تعریف می شود.

، که در آن TP مثبت واقعی، FP مثبت کاذب، FN منفی کاذب و TN منفی درست است. امتیاز چالش بیشتر بر روی مقدار TPR تمرکز می کند، زیرا به اشتباه طبقه بندی هشدار واقعی به عنوان نادرست منجر به عواقب بسیار شدیدتری می شود.

در طول آموزش، مدل خود را بر روی مجموعه اعتبار سنجی پنج گانه ارزیابی می کنیم. میانگین نمره چالش از نتیجه پنج برابری 87.00 با انحراف معیار 4.84 است. نتایج دقیق در پیوست تکمیلی گنجانده شده است.

جدول 2 مقایسه عملکرد دقیق با روش های مقایسه شده در مجموعه آزمون پنهان را نشان می دهد. عملکرد هر نوع زنگ هشدار به عنوان N/A نشان داده می شود زیرا چنین آماری در مقاله وجود ندارد. هر چه ACC، TPR، TNR و امتیاز بالاتر باشد، عملکرد بهتری دارد. مشاهده می‌شود که مدل یادگیری متضاد پیشنهادی ما از سایر روش‌های پایه در مجموعه آزمون پنهان بهتر عمل می‌کند. توجه داشته باشید که روش های پایه در جدول 2، از جمله FCN و ResNet، بدون یادگیری متضاد آموزش داده شده اند. در ضمیمه تکمیلی، ما همچنین مقایسه عملکرد FCN، ResNet و CNN خود را به‌عنوان رمزگذارهای «ستون فقرات» مختلف در چارچوب یادگیری متضاد پیشنهادی خود ارائه می‌کنیم.

مقایسه با مدل های دیگر، به ویژه با مدل های مبتنی بر قانون، نشان می دهد که دستیابی به عملکرد بالا برای مدل های یادگیری عمیق رایج دشوار است. دلایل زیادی برای عملکرد ضعیف این مدل ها وجود دارد. اول از همه، بسیاری از دلایل ممکن می تواند منجر به آلارم های کاذب آریتمی شود، از جمله نویز، دستکاری یا حرکت بیمار، پیکربندی اشتباه، دستکاری کارکنان و افتادن سرنخ ها یا شناسایی اشتباه سیگنال ها. دوم، طول توالی بسیار طولانی و کلاس‌های نامتعادل در مجموعه داده‌های داده شده، چالش‌های بزرگی برای مدل‌های یادگیری عمیق هستند.

علاوه بر این آلارم‌های کاذب آریتمی، تعداد نمونه‌های برچسب‌دار برای طبقه‌بندی با استفاده از مدل‌های یادگیری عمیق بسیار مهم است در حالی که تنها ۷۵۰ نمونه در مجموعه آموزشی داده شده وجود دارد که عملکرد این مدل‌ها را بسیار محدود می‌کند. در مدل پیشنهادی ما، ما از 4 اندازه هسته مختلف از 50 تا 400 در لایه‌های CNN استفاده می‌کنیم، که به کاهش این مشکل کمک می‌کند که طول توالی برای اندازه‌های هسته بزرگ‌تر بسیار طولانی است و می‌تواند به طور موثرتری سیگنال‌های غیرعادی را تشخیص دهد.

مطالعه ابلیشن آلارم‌های کاذب آریتمی

روش ما دارای سه جزء است: رمزگذار سیگنال، محدودیت متمایز و تعبیه مبتنی بر قانون. ما یک مطالعه فرسایشی را با تجزیه و تحلیل نتایج کمی روی مجموعه آزمایش پنهان همانطور که در جدول 3 نشان داده شده است اجرا می کنیم. می توان مشاهده کرد که هر چه اجزای بیشتری استفاده کنیم، عملکرد بالاتری دارد. تنها با استفاده از رمزگذار سیگنال، امتیاز رویداد بلادرنگ تنها می‌تواند به نمره چالش 60.35 دست یابد، که تنها کمی بهتر از عملکرد ResNet، یک مدل یادگیری عمیق رایج با بهترین امتیاز در جدول 2 است.

جدول 3 نتایج کمی مطالعه فرسایش در مجموعه آزمایش.
مشاهده می‌کنیم که استفاده از محدودیت‌های متمایز در طول آموزش منجر به بهبود عملکرد در امتیاز کلی رویداد بلادرنگ می‌شود. علاوه بر این، عملکرد همه انواع هشدار به جز آسیستول را بهبود می بخشد. تقویت رمزگذار سیگنال مبتنی بر CNN با تعبیه مبتنی بر قانون می تواند عملکرد را به طور قابل توجهی بهبود بخشد.

مدل مبتنی بر قانون حاوی اطلاعاتی در مورد آمار توصیفی و منطق فازی است که بر اساس دانش دامنه شکل موج برای هر نوع زنگ هشدار به دست می‌آید، و بنابراین توانایی رمزگذار سیگنال را برای تشخیص دقیق‌تر بین آلارم‌های واقعی و نادرست افزایش می‌دهد.

محدودیت های تبعیض آمیز از ایده یادگیری متضاد برای رسیدگی به مشکل کلاس های بیش از حد مناسب و نامتعادل استفاده می کنند. نتایج ما نشان می‌دهد که افزودن محدودیت‌های متمایز به مدل ترکیبی رمزگذار سیگنال و تعبیه‌های مبتنی بر قانون منجر به بهترین عملکرد در امتیاز چالش، با بهبود عملکرد قابل توجه از 78.90 به 84.47 می‌شود. نتایج ما اثربخشی تابع ضرر پیشنهادی را نشان می‌دهد.

نتیجه گیری و کارهای آینده

کاهش هشدار کاذب آریتمی در ICU یک کار چالش برانگیز برای یادگیری عمیق به دلیل طول توالی بسیار طولانی سیگنال های فیزیولوژیکی، کلاس های نامتعادل و تعداد محدودی از رکوردهای برچسب دار است.

در این مقاله، ما یک چارچوب یادگیری متضاد مبتنی بر شبکه سیامی برای کاهش هشدار نادرست ارائه می‌کنیم. در طول آموزش، ما از محدودیت‌های متمایز برای بهبود استخراج ویژگی سیگنال‌ها استفاده می‌کنیم. علاوه بر این، ما مدل پیشنهادی خود را با یک تکنیک مبتنی بر قاعده با استفاده از جاسازی‌های حاصل از خروجی‌های روش مبتنی بر قانون تقویت می‌کنیم تا مدل یادگیری عمیق خود را برای یادگیری نمایش کارآمد برچسب تنظیم کنیم. نتایج نشان می‌دهد که روش پیشنهادی 86 درصد از آلارم‌های کاذب را در مجموعه تست شناسایی کرد. میزان تشخیص آلارم واقعی 96 درصد بود. با استفاده از معادله امتیازدهی رسمی چالش، به امتیاز 84.47 در رویداد بلادرنگ دست یافتیم، که در چالش PhysioNet 2015 برای کاهش هشدار کاذب آریتمی بخش اورژانس، از سایر روش‌ها در همان کار بهتر عمل کردیم.

از آنجایی که اطلاعات نظارت شده برای آموزش یک مدل یادگیری عمیق مشترک بسیار کوچک است، استفاده بهتر از داده های ورودی ممکن است یک جهت امیدوارکننده باشد.

بخش اورژانس در کار آینده، ما استفاده از تکنیک‌های یادگیری خود نظارت را برای گسترش مقیاس داده‌های آموزشی در نظر خواهیم گرفت زیرا می‌توانیم چندین شبه برچسب را با توجه به وظیفه پایین دستی برای پیش‌آموزش مدل تنظیم کنیم. جهت بالقوه دیگر، آموزش پیشآموز یک مدل یادگیری بدون نظارت، مانند BERT برای داده های سری زمانی بدون برچسب و سپس تنظیم دقیق مدل در کار پایین دست است.

References

1. Drew, B. J. et al. Practice standards for electrocardiographic monitoring in hospital settings: An American Heart Association scientific statement from the councils on cardiovascular nursing, clinical cardiology, and cardiovascular disease in the young: Endorsed by the international society of computerized electrocardiology and the American Association of Critical-care Nurses. Circulation 110, 2721–2746 (2004).Article Google Scholar 
2. Drew, B. J. et al. Insights into the problem of alarm fatigue with physiologic monitor devices: A comprehensive observational study of consecutive intensive care unit patients. PLoS ONE 9, e110274 (2014).Article ADS Google Scholar 
3. Parthasarathy, S. & Tobin, M. Sleep in the intensive care unit. Intens. Care Med. 30, 197 (2004).Article Google Scholar 
4. Johnson, A. N. Neonatal response to control of noise inside the incubator. Pediatr. Nurs. 27, 600 (2001).CAS PubMed Google Scholar 
5. Morrison, W. E., Haas, E. C., Shaffner, D. H., Garrett, E. S. & Fackler, J. C. Noise, stress, and annoyance in a pediatric intensive care unit. Crit. Care Med. 31, 113–119 (2003).Article Google Scholar 
6. Berg, S. Impact of reduced reverberation time on sound-induced arousals during sleep. Sleep 24, 289–292 (2001).Article CAS Google Scholar 
7. Tsien, C. L. & Fackler, J. C. Poor prognosis for existing monitors in the intensive care unit. Crit. Care Med. 25, 614–619 (1997).Article CAS Google Scholar 
8. Cvach, M. Monitor alarm fatigue: An integrative review. Biomed. Instrum. Technol. 46, 268–277 (2012).Article Google Scholar 
9. Clifford, G. D. et al. The physionet/computing in cardiology challenge 2015: reducing false arrhythmia alarms in the icu. In 2015 Computing in Cardiology Conference (CinC), 273–276 (IEEE, 2015).
10. Plesinger, F., Klimes, P., Halamek, J. & Jurak, P. Taming of the monitors: reducing false alarms in intensive care units. Physiological Measurements, 37:1313–1325 (2016).
11. Peng, W. K., Ng, T.-T. & Loh, T. P. Machine learning assistive rapid, label-free molecular phenotyping of blood with two-dimensional nmr correlational spectroscopy. Commun. Biol. 3, 535. https://doi.org/10.1038/s42003-020-01262-z (2020).Article CAS PubMed PubMed Central Google Scholar 
12. Lau, W.-H., White, N. J., Yeo, T.-W., Gruen, R. L. & Pervushin, K. Tracking oxidation-induced alterations in fibrin clot formation by nmr-based methods. Sci. Rep. 11, 15691. https://doi.org/10.1038/s41598-021-94401-3 (2021).Article CAS PubMed PubMed Central Google Scholar 
13. Kalidas, V. & Tamil, L. S. Cardiac arrhythmia classification using multi-modal signal analysis. Physiological Measurements, 37(8), 1253–1272 (2016).
14. LeCun, Y. et al. Handwritten digit recognition with a back-propagation network. In Advances in Neural Information Processing Systems, 396–404 (1990).
15. Chopra, S., Hadsell, R. & LeCun, Y. Learning a similarity metric discriminatively, with application to face verification. In 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), vol. 1, 539–546 (IEEE, 2005).
16. Daluwatte, C. et al. Heartbeat fusion algorithm to reduce false alarms for arrhythmias. In 2015 Computing in Cardiology Conference (CinC), 745–748 (IEEE, 2015).
17. Ansari, S., Belle, A. & Najarian, K. Multi-modal integrated approach towards reducing false arrhythmia alarms during continuous patient monitoring: The physionet challenge 2015. In 2015 Computing in Cardiology Conference (CinC), 1181–1184 (IEEE, 2015).
18. Tsimenidis, C. & Murray, A. Reliability of clinical alarm detection in intensive care units. In 2015 Computing in Cardiology Conference (CinC), 1185–1188 (IEEE, 2015).
19. He, R. et al. Reducing false arrhythmia alarms in the icu using novel signal quality indices assessment method. In 2015 Computing in Cardiology Conference (CinC), 1189–1192 (IEEE, 2015).
20. Fallet, S., Yazdani, S. & Vesin, J.-M. A multimodal approach to reduce false arrhythmia alarms in the intensive care unit. In 2015 Computing in Cardiology Conference (CinC), 277–280 (IEEE, 2015).
21. Couto, P., Ramalho, R. & Rodrigues, R. Suppression of false arrhythmia alarms using ecg and pulsatile waveforms. In 2015 Computing in Cardiology Conference (CinC), 749–752 (IEEE, 2015).