Модель детекции фибрилляции предсердий, основанная на дифференцировании и сжатии интервалограмм

Фибрилляция предсердий – это наиболее распространенная в популяции аритмия, оказывающая существенное влияние на систему здравоохранения. В данной работе представлена модель автоматической детекции эпизодов фибрилляции предсердий на ЭКГ, использующая сжатие информации и численное дифференцирование для классификации последовательностей интервалов между сердцебиениями. В основе модели лежит нормализованное расстояние сжатия, основанное на теории универсальных метрик информационной близости. Чтобы обеспечить дискриминацию классов путем сжатия, в работе рассматривается конечно-разностное представление интервальных последовательностей с последующей процедурой квантования. В частности, вводится простое Δ5RR-интервальное представление последовательности, которое улучшает чувствительность модели к флуктуациям сердечного ритма. Предлагаемая модель достигает 96.37% чувствительности, 97.74% специфичности и 0.935 коэффициента корреляции Мэтьюса при 8x5-кратной кросс-валидации на базе данных MIT-BIH AFDB с использованием окна из 128 R-пиков. Особым преимуществом модели является качество классификации при обучении с малым количеством проб, то есть обучающая выборка с небольшим числом наблюдений последовательностей может использоваться для классификации достаточно больших тестовых выборок.

1. Staerk L., Sherer J. A., Ko D., Benjamin E. J., Helm R. H. Atrial fibrillation: epidemiology, pathophysiology, and clinical outcomes. Circulation research, vol. 120, issue 9, 2017, pp. 1501-1517. DOI:10.1161/CIRCRESAHA.117.309732.

2. Faust O., Ciaccio E. J., Acharya U. R. A review of atrial fibrillation detection methods as a service. International journal of environmental research and public health, vol. 17, issue 9, 2020, p. 3093. DOI:10.3390/ijerph17093093.

3. Moody G. B., Mark R. G. The impact of the MIT-BIH arrhythmia database. IEEE engineering in medicine and biology magazine, vol. 20, issue 3, 2001, pp. 45-50. DOI:10.1109/51.932724.

4. D’Aloia M., Longo A., Rizzi M. Noisy ECG signal analysis for automatic peak detection. Information, vol. 10, issue 2, 2019, p. 35.

5. Georgiou K., Larentzakis A. V., Khamis N. N., Alsuhaibani G. I., Alaska Y. A., Giallafos E. J. Can wearable devices accurately measure heart rate variability? A systematic review. Folia medica, vol. 60, issue 1, 2018, pp. 7-20. DOI:10.2478/folmed-2018-0012.

6. Zhou K., Liu Z., Qiao Y., Xiang T., Loy C. C. Domain generalization: A survey. IEEE transactions on Pattern Analysis and Machine Intelligence, vol. 45, issue 4, 2004, pp. 4396-4415. DOI:10.1109/TPAMI.2022.3195549.

7. Li M., Chen X., Li X., Ma B., Vitányi P. M. B. The similarity metric. IEEE transactions on Information Theory, vol. 50, issue 12, 2004, pp. 3250-3264. DOI:10.1109/TIT.2004.838101.

8. Tateno K., Glass L. Automatic detection of atrial fibrillation using the coefficient of variation and density histograms of RR and ΔRR intervals. Medical and Biological Engineering and Computing, vol. 39, 2001, pp. 664-671. DOI:10.1007/BF02345439.

9. Fornberg B. Generation of finite difference formulas on arbitrarily spaced grids. Mathematics of computation, vol. 51, issue 184, 2017, pp. 699-706. DOI:10.1090/S0025-5718-1988-0935077-0.

10. David A., Sergei V. k-means++: The Advantages of Careful Seeding. In Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, 2007, pp. 1027-1035. Available at the URL: http://ilpubs.stanford.edu:8090/778/.

11. Gailly J.L., Adler M. GNU gzip. GNU Operating System, 1992. Available at the URL: https://www.gnu.org/software/gzip/manual/gzip.pdf.

12. Cilibrasi R., Vitányi P. M. B. Clustering by compression. IEEE Transactions on Information theory, vol. 51, issue 4, 2005, pp. 1523-1545. DOI:10.1109/TIT.2005.844059.

13. Bennett C. H., Gács P., Li M., Vitányi P. M. B., Zurek W. H. Information distance. IEEE Transactions on information theory, vol. 44, issue 4, 1998, pp. 1407-1423. DOI:10.1109/18.681318.

14. Goldberger A. L., Amaral L. A. N., Glass L., Hausdorff J. M., Ivanov P. C., Mark R. G., Mietus J. E., Moody G. B., Peng C. K., Stanley H. E. PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation, vol. 101, issue 23, 2000, pp. e215-e220. DOI: 10.1161/01.CIR.101.23.e21.

15. Moody G. A new method for detecting atrial fibrillation using RR intervals. Proc. Comput. Cardiol., vol. 10, 1983, pp. 227-230.

16. Chicco D., Jurman G. The Matthews correlation coefficient (MCC) should replace the ROC AUC as the standard metric for assessing binary classification. BioData Mining, vol. 16, issue 1, 2023, p. 1. DOI:10.1186/s13040-023-00322-4.

17. Efron B. Bootstrap methods: another look at the jackknife. Breakthroughs in statistics: Methodology and distribution. In Breakthroughs in Statistics. Springer Series in Statistics. New York, Springer, 1992, pp. 569-593. DOI:10.1007/978-1-4612-4380-9_41.

18. Benjamini Y., Hochberg Y. Controlling the false discovery rate: a practical and powerful approach to multiple testing. Journal of the Royal statistical society: series B (Methodological), vol. 57, issue 1, 1995, pp. 289-300. DOI: 10.1111/j.2517-6161.1995.tb02031.x.

19. Andersen R. S., Poulsen E. S., Puthusserypady S. A novel approach for automatic detection of Atrial Fibrillation based on Inter Beat Intervals and Support Vector Machine. In 2017 39th annual international conference of the IEEE engineering in medicine and biology society (EMBC). New York, IEEE, 2017. pp. 2039-2042. DOI:10.1109/EMBC.2017.8037253.

20. Xia Y., Wulan N., Wang K., Zhang H. Detecting atrial fibrillation by deep convolutional neural networks. Computers in biology and medicine, vol. 93, 2018, pp. 84-92. DOI: 10.1016/j.compbiomed.2017.12.007.

21. Wang Y., Yao Q., Kwok J. T., Ni L. M. Generalizing from a few examples: A survey on few-shot learning. ACM computing surveys, vol. 53, issue 3, 2020, pp. 1-34. DOI:10.1145/3386252.

22. Ng Y., Liao M. T., Chen T. L., Lee C. K., Chou C. Y., Wang W. Few-shot transfer learning for personalized atrial fibrillation detection using patient-based siamese network with single-lead ECG records. Artificial Intelligence in Medicine, vol. 144, 2023, p. 102644. DOI: 10.1016/j.artmed.2023.102644.

23. Abdelfattah M. S., Hagiescu A., Singh D. Gzip on a chip: High performance lossless data compression on fpgas using opencl. In Proceedings of the international workshop on openCL 2013 & 2014. New York, ACM, 2014. pp. 1-9. DOI: 10.1145/2664666.2664670.

24. Lee K.-S., Park H.-J., Kim J.E., Kim H.J., Chon S., Kim S., Jang J., Kim J.-K., Jang S., Gil Y., Ho S.S. Compressed deep learning to classify arrhythmia in an embedded wearable device. Sensors. vol. 22, issue 5, 2022, p. 1776. DOI: 10.3390/s22051776.

25. Yang Z., Yu Y., You C., Steinhardt J., Ma Y. Rethinking bias-variance trade-off for generalization of neural networks. In Proceedings of the 37th International Conference on Machine Learning. Brookline, JMLR, 2020. pp. 10767-10777. URL:https://proceedings.mlr.press/v119/yang20j.html.

26. Abrosimova M., Rebak A., Novikov R., Markov N. Classification with PPMd Compression in Few-Shot Learning: The Case of Eye-Tracking Dyslexia Detection. In 2024 IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). New York, IEEE, 2024. pp. 204-207. DOI:10.1109/USBEREIT61901.2024.10583975.