Штучний інтелект

Анотація: У статті представлено новий, заснований на автоенкодерних нейронних мережах (автоенкодерах) метод визначення та коригування аномалій сигналів електрокардіограми. Зазвичай, ЕКГ-записи із серйозними спотвореннями форми розглядають як аномалії, тобто промахи та виключають їх під час проведення аналізу. Однак, це призводить до зменшення статистичної бази ЕКГ-даних і може суттєво впливати на точність біометричної системи. Головна ідея статті полягає у тому, щоб збільшити доступну кількість ЕКГ-даних, використовуючи потужні техніки самонавчання для корекції пошкоджених сегментів. Під час проведення експериментів оптимізовано архітектуру автоенкодера для виявлення промахів у ЕКГ-сигналах. Для верифікації запропонованого методу використано відкриту базу даних Physionet ECG-ID. Проведено порівняльну оцінку із результатами попередніх досліджень, де розглядалася корекція аномалій на основі статистичного підходу. Хоча автоенкодер показав дещо нижчу точність порівняно із статистичним методом, але при цьому він значно спрощує побудову систем біометричної ідентифікації, оскільки не вимагає прецизійного налаштування гіперпараметрів.

Ключові слова: нейронні мережі, сигнал ЕКГ, біометрика, виявлення аномалій, коригування промахів

Посилання:

1. AlMahamdy, M., & Riley, H.B. (2014).Performance Study of Different Denoising Methodsfor ECG Signals. Procedia Computer Science, 37,325–332. doi:10.1016/j.procs.2014.08.048
2. Aslanger, E., & Yalin, K. (2012). Electromechanicalassociation: a subtle electrocardiogram artifact.Journal of Electrocardiology, 45(1), 15–17.doi:10.1016/j.jelectrocard.2010.12.162
3. Dertat, A. (n.d.). Applied Deep Learning - Part 3:Autoencoders URL:https://towardsdatascience.com/applied-deep-learning-part-3
4. Duda, R.O., Hart, P.E., & Stork, D.G. (2007). PatternClassification.JournalofClassification.doi:10.1007/s00357-007-0015-9
5. ECG identification. (n.d.). URL: https://github.com/YuriyKhoma/ecg-identification
6. Fratini, A., Sansone, M., Bifulco, P., & Cesarelli, M.(2015). Individual identification via electrocardio-gram analysis. BioMedical Engineering OnLine,14(1). pp. 1-23. doi:10.1186/s12938-015-0072-y
7. Hodge, V., & Austin, J. (2004). A Survey of OutlierDetection Methodologies. Artificial IntelligenceReview, 22(2), 85–126.doi:10.1023/b:aire.0000045502.10941.a9
8. Goodfellow, I., Bengio, Y., & Courville, A. (2016).Deep learning. The MIT Press.
9. Jain, A.K., Flynn, P., & Ross, A.A. (Eds.). (2008).Handbook of Biometrics. Springer, doi:10.1007/978-0-387-71041-9
10. Jenkins, D., & Gerred S. (2011). ECGs by Example.(3-rd Eds.). Elsilver.
11. Khoma, V., Pelc, M., Khoma, Y., & Sabodashko, D.(2018). Outlier Correction in ECG-Based HumanIdentification. Advances in Intelligent Systems andComputing, 11–22. doi:10.1007/978-3-319-75025-5_2
12. Kindt, E.J. (2013). Privacy and Data ProtectionIssues of Biometric Applications. Springer.doi:10.1007/978-94-007-7522-0
13. Kochan, O., Sapojnyk, H., & Kochan, R. (2013).Temperature field control method based on neuralnetwork. 2013 IEEE 7th International Conference onIntelligent Data Acquisition and AdvancedComputing Systems (IDAACS).doi:10.1109/idaacs.2013.6662632
14. Lourenço, A., Silva, H., Carreiras, C., & Fred, A.(2013). Outlier Detection in Non-intrusive ECGBiometric System. Image Analysis and Recognition,43–52. doi:10.1007/978-3-642-39094-4_6
15. Lugovaya, T.S. (2005). Biometric humanidentification based on electrocardiogram. [Master'sthesis] Faculty of Computing Technologies andInformatics, Electrotechnical University "LETI".
16. Олешко, І.В. (2014). Моделі та методи оцінкизахищеностімеханізмівбагатофакторноїавтентифікації від несанкціонованого доступу.Автореферат дисертації на здобуття науковогоступеня кандидата технічних наук, Харків.
17. SciPy. (n.d.). URL: https://www.scipy.org/
18. Shen, T.W., Tompkins, W.J., & Hu, Y.H. (2002).One-lead ECG for identity verification. Proceedingsof the Second Joint 24th Annual Conference and theAnnual Fall Meeting of the Biomedical EngineeringSociety] [Engineering in Medicine and Biology.pp. 62-63 doi:10.1109/iembs.2002.1134388
19. Tax, D., & Duin, R. (2001). Outliers and datadescriptions. In: Proc. 7th Annual Conf. AdvancedSchool for Computing and Imaging (ASCI).
20. The Physionet Records. (n.d.).URL: https://physionet.org/physiobank/database/ecgiddb/
21. Urigüen, J.A., & Garcia-Zapirain, B. (2015). EEGartifact removal—state-of-the-art and guidelines.Journal of Neural Engineering, 12(3), 031001.doi:10.1088/1741-2560/12/3/031001
22. Varshney, M., Chandrakar, C., & Sharma, M.(2014). A Survey on Feature Extraction andClassification of ECG Signal. International Journalof Advanced Research in Electrical, Electronics andInstrumentation Engineering, Vol. 3, Issue 1,pp. 6572-6576.
23. Wieclaw, L., Khoma, Y., Falat, P., Sabodashko, D.,& Herasymenko, V. (2017). Biometrie identificationfrom raw ECG signal using deep learningtechniques. 2017 9th IEEE International Conferenceon Intelligent Data Acquisition and AdvancedComputing Systems: Technology and Applications(IDAACS). doi:10.1109/idaacs.2017.8095063
24. Zhengbing, H., Jotsov, V., Jun, S., Kochan, O.,Mykyichuk, M., Kochan, R., & Sasiuk, T. (2016).Data science applications to improve accuracy ofthermocouples. 2016 IEEE 8th InternationalConferenceonIntelligentSystems(IS).doi:10.1109/is.2016.7737419