การเรียนรู้เชิงลึกช่วยแยกสัญญาณ ECG ในช่องท้อง

การเรียนรู้เชิงลึกช่วยแยกสัญญาณ ECG ในช่องท้อง

นักวิจัยในอิหร่านได้ใช้โครงข่ายประสาทลึก (DNN) เพื่อแยกคลื่นไฟฟ้าหัวใจของทารกในครรภ์ (ECG) ออกจากช่อง ECG ช่องท้องช่องเดียว วิธีการของพวกเขาที่อธิบายไว้ในการวัดทางสรีรวิทยาอาจช่วยปรับปรุงการเฝ้าติดตามของทารกในครรภ์ได้ในอนาคต ปัจจุบัน กิจกรรมทางไฟฟ้าของหัวใจของทารกในครรภ์วัดโดยใช้ ECG ที่ได้มาจากแผ่นแปะอิเล็กโทรดที่วางอยู่บนหน้าท้องของสตรีมีครรภ์ 

แพทย์สามารถใช้ ECG ของทารกในครรภ์เพื่อประเมินสุขภาพ

ของทารกในครรภ์และวินิจฉัยความผิดปกติได้ ความท้าทาย? การแยกสัญญาณ ECG ของทารกในครรภ์ออกจากคลื่นไฟฟ้าหัวใจในช่องท้องเป็นเรื่องยากเนื่องจากสัญญาณหลังประกอบด้วยสัญญาณจากทั้งทารกในครรภ์ (“คลื่นไฟฟ้าหัวใจของทารกในครรภ์”) และมารดา (“คลื่นไฟฟ้าหัวใจของมารดา”) รวมทั้งจากแหล่งที่มาของการแทรกแซง เช่น การหดตัวของกล้ามเนื้อ งานนี้จะมีความต้องการมากขึ้นเมื่อสิ้นสุดการตั้งครรภ์ เมื่อแอมพลิจูดของสัญญาณ ECG ของทารกในครรภ์เทียบได้กับคลื่นไฟฟ้าหัวใจของมารดา

Arash Rasti-Meymandi หัวหน้าทีมวิจัยและนักศึกษาระดับบัณฑิตศึกษาที่มหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีแห่งอิหร่านและเพื่อนร่วมงานของเขาได้คิดหาวิธีแก้ไขปัญหาที่เป็นไปได้ซึ่งต้องอาศัย DNN

Rasti-Meymandi ได้รับแรงบันดาลใจจาก Unets เครือข่าย convolutional ที่มักใช้ในงานแบ่งส่วนภาพทางการแพทย์ เขาและผู้เขียนร่วม Aboozar Ghaffari ใช้ Unet เวอร์ชันที่แก้ไขแล้วเพื่อแยก ECG ของมารดาก่อนแล้วจึงใช้สัญญาณ ECG ของทารกในครรภ์

Rasti-Meymandi กล่าวว่า Unet มีประสิทธิภาพเหนือกว่า

เทคนิคอื่นๆ ในการแบ่งส่วนภาพ “ในการแยกส่วนประกอบต่างๆ ของคลื่นไฟฟ้าหัวใจในช่องท้อง เราตรวจสอบสัญญาณคลื่นไฟฟ้าหัวใจในช่องท้องด้วยความละเอียดที่ต่างกัน [คล้ายกับกระบวนการที่ใช้ในแบบจำลอง Unet]”

DNN ของนักวิจัยที่เรียกว่า AECG-DecompNet จะแยก ECG ของทารกในครรภ์ออกจากช่อง ECG ช่องท้องช่องเดียวโดยใช้เครือข่ายย่อยสองเครือข่ายในซีรีส์ เครือข่ายย่อยแรกแยกสัญญาณ ECG ของมารดา ประการที่สอง ECG ของทารกในครรภ์ นักวิจัยได้ฝึกอบรมเครือข่ายย่อยทั้งสองแยกกันโดยใช้สัญญาณ ECG จำลอง จากนั้นจึงประเมินเครือข่ายย่อยโดยใช้การบันทึกคลื่นไฟฟ้าหัวใจทั้งจำลองและจริง

AAECG-DecompNet ประมวลผลสัญญาณ ECG ในช่องท้องโดยแยกสัญญาณ ECG ของมารดาออกก่อน จากนั้นจึงกู้คืนสัญญาณ ECG ของทารกในครรภ์ การใช้หน่วยประมวลผลกราฟิก DNN ของนักวิจัยสามารถประมวลผลการบันทึกคลื่นไฟฟ้าหัวใจในช่องท้องได้สี่วินาทีในเวลาประมาณหนึ่งวินาที

อนาคตของ DNNs และ ECG ของทารกในครรภ์ ซึ่งแตกต่างจากวิธีการ denoising สัญญาณอื่น ๆ ซึ่งต้องใช้สัณฐานวิทยา (รูปคลื่น P, Q, R, S และ T ที่ระบุกิจกรรมทางไฟฟ้าของหัวใจ) ของ ECG อ้างอิง หลายช่องสัญญาณของ ECG หรือทั้งสองอย่าง วิธีการของนักวิจัยต้องการเพียงช่องสัญญาณเดียว ซึ่งไม่เพียงแต่ช่วยเพิ่มความสะดวกสบายของมารดาในระหว่างการรับ ECG แต่ยังต้องใช้ทรัพยากรน้อยลงและใช้เวลาในการดำเนินการน้อยกว่าวิธีการบันทึกคลื่นไฟฟ้าหัวใจแบบเดิมและการแยกสัญญาณ

นักวิจัยยังพบว่าเมื่อเทียบกับวิธีการอื่น 

วิธีของพวกเขารักษารูปร่างและโครงสร้างของสัญญาณ ECG ของทารกในครรภ์ได้ดีกว่า – ทั้งห้ารูปคลื่นได้รับการเก็บรักษาไว้อย่างดีสำหรับการตรวจและวินิจฉัยความผิดปกติของทารกในครรภ์

Rasti-Meymandi บอกกับ Physics Worldว่า”ผลการวิจัยเบื้องต้นคือประสิทธิภาพของการใช้ DNN เพื่อดึงสัญญาณ ECG ของทารกในครรภ์จากการบันทึกช่องท้องแบบช่องสัญญาณเดียวด้วยความแม่นยำสูง” “ขณะนี้เรากำลังทำงานกับอัลกอริธึมที่ซับซ้อนมากขึ้น … เพื่อเพิ่มความแม่นยำของอัตราการเต้นของหัวใจที่แยกออกมา”

ทีมงานกำลังหาวิธีปรับใช้ DNN แบบเรียลไทม์บนสมาร์ทโฟนข้อจำกัดของวิธีการนั้นรวมถึงการพึ่งพาชุดข้อมูลการฝึกมากเกินไป โดยเฉพาะอย่างยิ่งเมื่อสัญญาณ ECG ของทารกในครรภ์อ่อน และมีโอกาสเกิดข้อผิดพลาดที่จะเผยแพร่ไปยังเครือข่ายย่อยที่สองตั้งแต่เครือข่ายแรก

ในทางตรงกันข้าม การตรวจเอกซเรย์ด้วยตนเองจะดึงความสนใจของคุณไปที่โบสถ์อย่างรวดเร็วยิ่งขึ้น เมื่อคำนึงถึงภูมิทัศน์ที่กว้างขึ้นเพียงไม่กี่ส่วน สายตาของคุณจะจับจ้องไปที่พื้นที่ใกล้อาคารอย่างรวดเร็ว โดยนำจุดโฟกัสที่คมชัด จากนั้นคุณสร้างภาพร่างที่มีรายละเอียดเฉพาะภูมิภาคที่สนใจเท่านั้น เช่น หอระฆัง หน้าต่างกระจกสี และสวนที่ปลูกอย่างประณีต วิธีนี้คล้ายกับวิธีการ gradient descent ที่ได้รับความนิยมในการเรียนรู้ของเครื่อง อย่างไรก็ตาม แม้ว่าการไล่ระดับสีแบบเกรเดียนท์จะเคลื่อนไปตามเส้นทางของการเปลี่ยนแปลงสูงสุดอย่างหวุดหวิด และสามารถติดอยู่ที่บริเวณสุดขั้ว เอกซ์เรย์ที่นำทางด้วยตนเองจะเคลื่อนที่ไปในทิศทางที่เหมาะสมโดยเฉลี่ยเท่านั้น ด้วยการใช้ค่าเฉลี่ยซ้ำๆ มันจึงมาบรรจบกันที่ค่าสูงสุดทั่วโลก ซึ่งแสดงถึงสถานะควอนตัมที่ต้องการ

ในแนวนอนควอนตัม คุณอยู่ใกล้กับสถานะควอนตัมในอุดมคติมากน้อยเพียงใดนั้นจะถูกหาปริมาณโดยความแม่นยำ ซึ่งมีตั้งแต่ 0% สำหรับไม่มีการทับซ้อนกันถึง 100% สำหรับสองสถานะที่เหมือนกัน วิธีการเอกซเรย์ด้วยตนเองแสดงให้เห็นว่าการเพิ่มจำนวนการวนซ้ำของอัลกอริธึมทำให้สามารถเข้าถึงความเที่ยงตรงที่สูงขึ้นได้ แม้กระทั่งสำหรับควิดิตที่มีมิติสูง “เพื่อให้ได้ความถูกต้องเช่นเดียวกับการตรวจเอกซเรย์มาตรฐาน เราต้องการทรัพยากรน้อยลงหรือสำเนาของรัฐที่ไม่รู้จักน้อยลง” Rambach กล่าว

การใช้โฟตอนเป็นระบบควอนตัมทำให้ทีมสามารถวัดได้อย่างรวดเร็ว โดยรวบรวมตัวอย่างหลายแสนตัวอย่างต่อวินาที อย่างไรก็ตาม เนื่องจากระบบควอนตัมบางระบบไม่สามารถเตรียมสำเนาของรัฐที่ไม่รู้จักจำนวนมากได้อย่างรวดเร็ว นักวิจัยจึงทำการทดลองแยกโฟตอนต่ำแยกกัน โดยวัดในระบบที่มีสัญญาณรบกวนทางสถิติสูง แม้ว่าจำนวนการทำซ้ำที่แน่นอนจะเพิ่มขึ้นในภูมิภาคที่มีเสียงดังกว่านี้ แต่แนวโน้มของการบรรลุความเที่ยงตรงที่เพิ่มขึ้นอย่างต่อเนื่องด้วยการวนซ้ำมากขึ้นยังคงเหมือนเดิม ซึ่งหมายความว่าระบบควอนตัมอื่นๆ สามารถใช้ประโยชน์จากการเพิ่มความเร็วในการคำนวณแบบเดียวกันได้

Credit : craniopharyngiomas.net cubmasterchris.info digitalbitterness.com dward3.com

edmontonwarhammerleague.com