دانلود ترجمه مقاله تولید سیگنال های الکتروکاردیوگرام با یادگیری عمیق

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

چکیده – با توجه به اهمیت متنوع و گسترده سیگنال های الکتروکاردیوگرام واقعی و برچسب دار (ECG) در بهبود عملکرد الگوریتم های پردازش سیگنال زیست پزشکی و کمبود شدید این سیگنال ها، سه مدل مولد مبتنی بر یادگیری عمیق برای این نسل از سیگنال های ECG معرفی شده است: مدل مبتنی بر WaveNet، مدل SpectroGAN و مدل WaveletGAN. مدل مبتنی برWaveNet ، تبدیل انبساط تراکم μ-law را به عنوان یک روش پیش پردازش اتخاذ می کند و سپس توسط دنباله ای از لایه های پیچشی اتساع یافته دنبال می شود؛ به ترتیبSpectroGAN و WaveletGAN به منظور به دست آوردن فرم ورودی مناسب برای شبکه‌ های مولد رقابتی (GAN) از تبدیل فوریه زمان کوتاه (STFT) و تبدیل موجک ایستا (SWT) استفاده می کنند. مدل ‌های پیشنهادی ما قادر به تولید سیگنال ‌های ECG بوده و دربردارنده سه نوع ضربان قلب مختلف هستند: ضربان طبیعی، ضربان بلوک شاخه ای باندل چپ و ضربان بلوک شاخه ای باندل راست. سیگنال ‌های ECG که بطور مصنوعی توسط مدل ‌های ما ایجاد شده اند، واقعی ‌تر هستند، ازینرو شبکه‌ های عصبی مصنوعی عمیق می‌ توانند به جای تنظیم دستی پارامترهای خاص، ساختار پیچیده و ویژگی ‌های سیگنال ‌های ECG واقعی را در این ترکیب مصنوعی کشف کنند. علاوه بر این، سیگنال ‌های ECG که توسط یکی از مدل‌ های پیشنهادی ما تولید شده، می‌ تواند به طور طبیعی و تا بیش از 20 ثانیه استمرار داشته باشد. علاوه بر این، ابتدا برای نشان دادن کمّی عملکرد مدل‌ های مولد ECG، یک رویکرد ارزیابی ارائه می ‌کنیم. این مطالعه نشان می دهد که یادگیری عمیق، یک روش عملی و موثر برای تولید ECG است. مدل‌ های مولد ECG پیشنهادی ما را می‌توان به منظور ارزیابی الگوریتم‌ های پردازش سیگنال زیست‌پزشکی و بهبود عملکرد آنها در آزمایش ‌های بالینی مورد استفاده قرار داد.

Given the importance of a diverse and vast amount of realistic and labeled electrocardiogram (ECG) signals in improving the performance of biomedical signal processing algorithms, and the situation of severe lack of the signals, three generative models based on deep learning are introduced for the generation of ECG signals: The WaveNet-based model, the SpectroGAN model, and the WaveletGAN model. The WaveNet-based model adopts μ-law companding transformation as a preprocessing method and then is followed by a sequence of convolutional layers with dilation; SpectroGAN and WaveletGAN use short-term Fourier transform (STFT) and stationary wavelet transform (SWT) respectively to obtain suitable input form for the generative adversarial networks (GAN). Our proposed models are capable of generating ECG signals containing three different heartbeat types: normal beat, left bundle branch block beat and right bundle branch block beat. The synthetic ECG signals generated by our models are more realistic since deep artificial neural networks can discover intricate structure and characteristics of real ECG signals instead of manually setting specific parameters for synthesis. Besides, ECG signals produced by one of our proposed models could be naturally continuous and be up to more than 20 seconds. Furthermore, we first provide an evaluation approach for quantitatively demonstrating the performance of ECG generative models. The study demonstrates that deep learning is a feasible and effective method for ECG generation. Our proposed ECG generative models can be utilized to assess biomedical signal processing algorithms so as to improve their performance in clinical trials.