Heart failure detection with deep networks based on electrocardiography and impedance cardiography signals

Abstract

KALP YETERSİZLİĞİNİN ELEKTROKARDİYOGRAFİ VE EMPEDANS KARDİYOGRAFİ İŞARETLERİ KULLANILARAK DERİN AĞLARA DAYALI TESPİTİ Bu araştırma, aynı anda ölçülen tek kanallı EKG ve Bio-Z işaretlerine dayanan güvenilir bir kalp yetmezliği tespit yöntemi geliştirmeyi amaçlamaktadır. Bu amaca ulaşmak için, tek kanallı EKG ve Bio-Z işaretlerini aynı anda ölçebilen pratik bir donanım sistemi aracılığıyla yeni bir veri kümesi hazırlanmış ve daha sonra kalp yetmezliğini tespit edebilen bir derin öğrenme çerçevesi geliştirilmiştir. Çalışmanın arkasındaki fikir, taşınabilir ve giyilebilir bir kalp yetmezliği algılama ve izleme sisteminin temel bileşeni olacak, kabul edilebilir bir performansa sahip bir yapay zeka modeli geliştirmektir. Sol ventrikül ejeksiyon fraksiyonu %50'nin altında olan 14 kalp yetmezliği teşhisi konulmuş hasta ve 14 sağlıklı denek çalışmaya dahil edilmiştir. EKG ve Bio-Z ham ölçümleri aynı anda beş farklı pozisyonda (sırtüstü, oturma, ayakta durma, hafif tempo yerinde sayma, hafif tempolu oturma-kalkma) kaydedilmiştir. Veri kümesi, ham verilerin 5 saniyelik dilimlere bölünmesiyle hazırlanmıştır. Her dilim aynı zaman aralığında kaydedilmiş EKG ve Bio-Z verilerini içermektedir. Aykırı değerler tespit edilip veri kümesinden çıkartılmıştır, verilere normalleştirme ve standartlaştırma uygulanmıştır. Standartlaştırma, doğruluk performansını büyük ölçüde arttırmıştır. Önerilen konvolüsyon sinir ağı modeli, EKG ve Bio-Z verileri için iki özellik çıkarma kanalına sahiptir ve konvolüsyon, maksimum havuzlama ve tamamen bağlı katmanlar dahil olmak üzere yedi katmandan oluşmaktadır. Model, yalnızca EKG, yalnızca Bio-Z ve hem EKG hem de Bio-Z verileri kullanılarak ayrı ayrı eğitilmiştir. Kayıp fonksiyonu, ikili çapraz entropi ve l-2.-norm düzenlileştirme teriminin toplamıdır. Sadece EKG verileriyle eğitilen modelin performansı %96 doğruluk ve %94 hassasiyet olarak tespit edilmiştir. Model hem EKG hem de Bio-Z ile beslendiğinde, performansı doğrulukta % 98'e ve hassasiyette % 97'ye yükselmiştir. Hassasiyet, F1 skoru ve AUC-ROC değerleri sırasıyla %97, %97, %99 bulunmuştur. Sonuçlar, EKG ve Bio-Z verilerinin, önerilen konvolüsyon sinir ağı modeli kullanarak kalp yetmezliğini tespit etmek için kullanılabileceğini göstermektedir.

This research is aimed to develop a reliable heart failure detection method based on single lead ECG and Bio-Z signals measured simultaneously. To achieve this goal, a new dataset has been prepared by a practical hardware system capable of measuring single lead ECG and Bio-Z signals simultaneously, and then a deep learning framework that can detect heart failure was developed. The idea behind the study is to develop an artificial intelligence model with an acceptable performance that will be the fundamental component of a portable and wearable heart failure detection and monitoring system in real time. 14 patients with left ventricular ejection fraction less than 50% and 14 healthy subjects were included in the study. ECG and Bio-Z raw measurements were recorded simultaneously in five different positions (supine, sitting, standing, light tempo marking time, light tempo sit-stand). The dataset was prepared from the raw data by dividing it into segments of 5-seconds durations. Each segment contains both ECG and Bio-Z data recorded in the same time interval. Outliers were detected and removed, normalization and standardization were conducted to the measurements. Standardization boosted the accuracy performance tremendously. The proposed convolutional neural network model has two feature extraction branches for ECG and Bio-Z data, and it consists of seven layers including convolution, max-pooling and fully connected layers. The model was trained separately by using only ECG, only Bio-Z, and both ECG and Bio-Z data. Loss function is sum of Binary Cross Entropy and l_2-norm regularization term. Performance of the model trained by only ECG data was 96% in accuracy and 94% in sensitivity. When the model was fed with both ECG and Bio-Z, its performance was increased to 98% in accuracy and 97% in sensitivity. The precision, F1-score, and AUC-ROC values were 97%, 97%, 99%, respectively. Results show that ECG and Bio-Z data can be used to detect HF by using the proposed convolutional neural network model.