دانلود ترجمه مقاله یادگیری عمیق از طریق سیگنال های ECG و PPG برای تشخیص عمق بیهوشی

1. مقدمه 2. مواد و روش ها 3. نتایج 4. بحث و بررسی 5. نتیجه گیری

چکیده – در هنگام جراحی، مقدار مواد بی هوش کننده استفاده شده، به شرایط جسمی بیمار بستگی دارد و این امری فوق العاده مهم است. ماشین BIS Quantro که بصورت متداول مورد استفاده قرار می گیرد، سطح «شاخص دو طیفی» (BIS) را اندازه گیری می کند تا به پزشکان در مدیریت بیهوشی کمک کند، ماشینی بسیار گرانقیمت است. در این مقاله، یک روش اقتصادی، دقیق و نوین برای پیش بینی عمق بیهوشی (DoA) از طریق مدل های یادگیری عمیق پیشرفته با استفاده از الکتروکاردیوگرام (ECG، نوار قلب) 512 هرتزی و فتوپلتیسموگرافی (PPG) 128 هرتزی، ارائه می شود. این مطالعه براساس سیگنال گردآوری شده از 50 بیمار در هنگام جراحی در «بیمارستان دانشگاهی ملی تایوان» (NTUH)، انجام شده است. ابتدا، هیت مپ ها (نقشه های حرارتی) سیگنال های ECG و PPG (نمودارهای فرعی جداگانه و ترکیبی) با استفاده از MATLAB با فیلتر کردن پنجره های 5 ثانیه ای تولید می شوند تا با فرکانس ماشین BIS Quantro که 0.2 Hz است، مطابق شوند. سپس، مدل های یادگیری عمیق مختلف متشکل از CNN های 5، 6، 8، 10 و 19 لایه ای با استفاده از داده های 40 بیمار، آموزش داده می شوند و با استفاده از 10 بیمار باقیمانده، مورد آزمون قرار می گیرند. تصاویر نقشه حرارتی ECG و PPG به طور جداگانه به عنوان ورودی و با استفاده از دو کانال ورودی، به مدل های CNN داده می شوند. بهترین دقت حاصل شده، 86% است که با استفاده از CNN 10 لایه ای با ابزار Tensorflow، با نقشه های حرارتی ECG و PPG به عنوان ورودی، حاصل می شود. این مطالعه از سیگنال های غیرگران، بازسازی حداقل داده ها، محدودیت های حافظه و زمان بندی حداقل استفاده می کند تا به دقت مناسب دست پیدا کند و بنابراین چندین بیمارستان کوچک می توانند از آن استفاده کنند.

During surgeries, the amount of used anesthetic depends on the physical conditions of the patient and is immensely critical. The conventionally used BIS Quantro machine which measures the Bispectral Index (BIS) level in order to help doctors administer anesthesia, is quite expensive. In this paper, an economic, accurate and state-of-the-art technique is presented to predict the depth of anesthesia (DoA) via advanced deep learning models using 512 Hz Electrocardiogram (ECG) and 128 Hz Photoplethysmography (PPG). The study is conducted based on signal collected from 50 patients acquired during surgery at National Taiwan University Hospital (NTUH). First, heatmaps of the ECG and PPG signals (individual and combined subplots) are generated using MATLAB by filtering 5 s windows to match the frequency of the BIS Quantro Machine which is 0.2 Hz. Then, various deep learning models comprising 5, 6, 8, 10 and 19 layered CNNs are trained using data of 40 patients and tested using the remaining 10 patients. The heatmap images of ECG and PPG are fed as inputs to the CNN models separately and using two input channels. The best accuracy achieved is 86 % which is attained using 10 layered CNN with Tensorflow backend, with combined ECG and PPG heatmaps as inputs. This study uses inexpensive signals, minimum data reconstruction, minimum memory and timing constrains to achieve a decent accuracy, and so it can be used by even small hospitals.