Rete neurale convoluzionale per la detezione automatica di aritmie da tracciati ECG

Abstract

Le malattie cardiovascolari sono la prima causa di morte al mondo e l’elettrocardiogramma (ECG) è il principale strumento utilizzato per diagnosticarle. Sin da quando si è passati da segnali ECG analogici a digitali, tecniche di analisi automatica del segnale hanno acquistato sempre maggiore importanza nel processo di diagnosi medica. Il loro ruolo nella pratica clinica è, a oggi, limitato dalle performance dei modelli esistenti. Le reti neurali profonde (Deep Neural Networks, DNNs) sono modelli che si compongono di una serie di funzioni che apprendono a svolgere dei compiti sulla base di esempi forniti.

Questa tecnologia ha recentemente avuto successo in una varietà di campi, tra cui la classificazione di immagini biomediche e ci sono grandi aspettative su come essa potrebbe migliorare la pratica medica in numerosi scenari.

Il presente elaborato sarà dedicato a presentare un modello di rete neurale per l’implementazione di un algoritmo di classificazione binaria, il quale sia in grado di stabilire a quale di sue classi appartiene un’istanza di segnali ECG: segnale regolare o interessato da aritmia.

A tale scopo, il classificatore è stato addestrato su sequenze ECG da 30 minuti, derivate dal database pubblico MIT-BIH Arrhythmia database. La rete supera di gran lunga la procedura medica comune volta al riconoscimento di anormalità nel ritmo del segnale ECG e si confronta bene con le tecniche di deep learning sviluppate allo stesso scopo, riportando prestazioni soddisfacenti. Tali risultati indicano che le reti neurali profonde ben si prestano all’analisi di segnali ECG, l’utilizzo di questa tecnologia potrebbe stabilire un nuovo standard nella pratica clinica.

Obiettivo Tesi

La soluzione proposta prevede un sistema in grado di predire il valore dell’Heart Rate attraverso una rete neurale. Il training del modello viene effettuato a partire da segnali video, sotto sequenze del segnale vengono processate al fine di costruire mappe spazio-temporali che saranno l’input della rete. Un ulteriore utilizzo del BioDrone è quello di prevedere aritmie cardiache (LBBB, RBBB, PVC) che si manifestano attraverso alterazioni del segnale ECG.

Metodologia di ricerca

Sono state testate varie architetture di reti neurali (ResNet50, GRU, Transformer, GAN). L’utilizzo del BioDronen per la previsione di aritmie cardiache ha previsto il training di una rete neurale convoluzionale a scopo di classificazione.

Conclusioni

L’esperienza di Teoresi nell’ambito dell’analisi dei dati hanno permesso di individuare un’efficiente strategia di preprocessing sia del segnale ECG, attraverso la segmentazione e l’augmentation, che nel segnale video, nella creazione di mappe spazio-temporali che agevolano notevolmente la manipolazione dei dati e riducono i tempi di addestramento del modello. Le competenze nell’ambito dell’Intelligenza artificiale hanno permesso di sviluppare modelli di classificazione e previsione in linea con lo stato dell’arte in questo settore.

Sviluppi futuri

La rete neurale utilizzata potrebbe essere sfruttata per differenti altre tipologie di applicazioni. Eventuali sviluppi futuri potrebbero essere basati sull’ addestramento della rete attraverso video di real life per l’estrazione dei parametri clinici (Health Rate) al fine della diagnostica preventiva.