Загрузка, повторная выборка и импорт данных в Signal Labeler

Сигналы, помеченные в этом примере, поступают из базы данных аритмии MIT-BIH [4]. Каждый сигнал в базе данных нерегулярно отбирался со средней частотой 360 Гц и был аннотирован двумя кардиологами, что позволило проверить результаты.

Загрузите два сигнала базы данных MIT, соответствующие записям 200 и 203. Повторная выборка сигналов в однородную сетку с временем выборки 1/250 секунды, что соответствует номинальной частоте дискретизации данных базы данных QT.

load mit200
y200 = resample(ecgsig,tm,250);

load mit203
y203 = resample(ecgsig,tm,250);

Открыть метку сигнала (панель инструментов обработки сигнала). На вкладке «Маркировщик» нажмите кнопку «Импорт» и выберите From workspace в списке Участники. В диалоговом окне выберите сигналы y200 и y203. Добавить информацию о времени: Выбрать Time из выпадающего списка и укажите частоту выборки 250 Гц. Щелкните Импорт (Import) и закройте диалоговое окно. Сигналы отображаются в браузере набора маркированных сигналов. Постройте график сигналов, установив флажки рядом с их именами.

Определение меток

Определите метки для присоединения к сигналам.

Создание пользовательских функций автоматической маркировки

Создайте две пользовательские функции маркировки (панель инструментов обработки сигналов), одна для определения местоположения и маркировки комплексов QRS, а другая для определения местоположения и маркировки пика R в каждом комплексе QRS. (Код для findQRS и findRpeaks функции появляются далее в примере.) Чтобы создать каждую функцию, на вкладке Labeler разверните галерею Automate Value и выберите Add Custom Function. Signal Labeler отображает диалоговое окно с запросом имени, описания и типа метки функции.

Если функции уже записаны, а функции находятся в текущей папке или в пути MATLAB ®, Signal Labeler добавляет функции в галерею. Если функции не были написаны, Signal Labeler открывает пустые шаблоны в редакторе для ввода или вставки кода. Сохраните файлы. После сохранения файлов функции отображаются в галерее.

Маркировка комплексов QRS и пиков R

Найти и маркировать комплексы QRS входных сигналов.

Signal Labeler определяет местоположение и маркирует комплексы QRS для всех сигналов, но отображает метки только для сигналов, для которых установлены флажки. Комплексы QRS отображаются как затененные области на графике и в осях просмотра меток. Активируйте панорамирование, щелкнув Панорамирование (Panner) на вкладке Отображение (Display), и увеличьте изображение области помеченного сигнала.

Найти и маркировать пики R, соответствующие комплексам QRS.

Метки и их числовые значения отображаются на графике и в осях средства просмотра меток.

Экспорт маркированных сигналов и изменение частоты сердечных сокращений

Экспортируйте помеченные сигналы для сравнения вариабельности частоты сердечных сокращений для каждого пациента. На вкладке «Маркировщик» нажмите кнопку «Экспорт ▼» и выберите Labeled Signal Set To File. В появившемся диалоговом окне введите имя HeartRates.mat в набор маркированных сигналов и добавить дополнительное краткое описание. Щелкните Экспорт (Export).

Вернитесь в командное окно MATLAB ®. Загрузите набор маркированных сигналов. Для каждого сигнала в наборе вычислите вариабельность частоты сердечных сокращений как стандартное отклонение временных разностей между последовательными сердцебиениями. Постройте гистограмму различий и отобразите вариабельность сердечного ритма.

load HeartRates

nms = getMemberNames(heartrates);

for k = 1:heartrates.NumMembers
    
    v = getLabelValues(heartrates,k,{'QRSregions','Rpeaks'});
    
    hr = diff(cellfun(@(x)x.Location,v));
    
    subplot(2,1,k)
    histogram(hr,0.5:0.025:1.5)
    legend(['hrv = ' num2str(std(hr))])
    ylabel(nms(k))
    ylim([0 6])

end

findQRS Функция: Поиск комплексов QRS

findQRS функция находит и маркирует комплексы QRS входных сигналов.

Функция использует вспомогательную функцию, computeFSSTдля изменения формы входных данных и вычисления синхронизированного преобразования Фурье (FSST). Вы можете либо хранить computeFSST в отдельном файле в том же каталоге или вложить его внутрь findQRS вставкой перед окончанием end заявление.

findQRS использует classify функция и обученная сеть глубокого обучения net для идентификации областей QRS. Сеть глубокого обучения выводит категориальную матрицу, которая маркирует каждую точку входного сигнала как принадлежащую области P, комплексу QRS, области T или ни к одной из них. Эта функция преобразует метки точек, соответствующие комплексу QRS, в метки области интересов QRS, используя signalMask и отменяет восстановление. df параметр выбирает в качестве интересующих областей только те комплексы QRS, длительность которых превышает 20 выборок. Если частота дискретизации не указана, функция использует значение по умолчанию 250 Гц.

function [labelVals,labelLocs] = findQRS(x,t,parentLabelVal,parentLabelLoc,varargin)
% This is a template for creating a custom function for automated labeling
%
%  x is a matrix where each column contains data corresponding to a
%  channel. If the channels have different lengths, then x is a cell array
%  of column vectors.
%
%  t is a matrix where each column contains time corresponding to a
%  channel. If the channels have different lengths, then t is a cell array
%  of column vectors.
%
%  parentLabelVal is the parent label value associated with the output
%  sublabel or empty when output is not a sublabel.
%  parentLabelLoc contains an empty vector when the parent label is an
%  attribute, a vector of ROI limits when parent label is an ROI or a point
%  location when parent label is a point.
%
%  labelVals must be a column vector with numeric, logical or string output
%  values.
%  labelLocs must be an empty vector when output labels are attributes, a
%  two column matrix of ROI limits when output labels are ROIs, or a column
%  vector of point locations when output labels are points.

labelVals = cell(2,1);
labelLocs = cell(2,1);

if nargin<5
    Fs = 250;
else
    Fs = varargin{1};
end

df = 20;

load('trainedQTSegmentationNetwork','net')

for kj = 1:size(x,2)

    sig = x(:,kj);
      
    % Reshape input and compute Fourier synchrosqueezed transforms

    mitFSST = computeFSST(sig,Fs);
    
    % Use trained network to predict which points belong to QRS regions
    
    netPreds = classify(net,mitFSST,'MiniBatchSize',50);

    % Create a signal mask for QRS regions and specify minimum sequence length
    
    QRS = categorical([netPreds{1} netPreds{2}]',"QRS");
    msk = signalMask(QRS,"MinLength",df,"SampleRate",Fs);
    r = roimask(msk);
    
    % Label QRS complexes as regions of interest
    
    labelVals{kj} = r.Value;
    labelLocs{kj} = r.ROILimits;

end

labelVals = vertcat(labelVals{:});
labelLocs = cell2mat(labelLocs);

% Insert computeFSST here if you want to nest it inside findQRS.

end

computeFSST Функция: Изменение формы входных и вычислительных синхронизированных преобразований Фурье

Эта функция использует fsst(Панель инструментов обработки сигналов) для вычисления синхронизированного преобразования Фурье (FSST) входного сигнала. Как обсуждалось в разделе Сегментация формы волны с использованием глубокого обучения (инструментарий обработки сигналов), сеть лучше всего работает, когда в качестве входных данных дается частотно-временная карта каждого обучающего или тестового сигнала. FSST приводит к набору функций, особенно полезных для повторяющихся сетей, поскольку преобразование имеет то же разрешение по времени, что и исходный вход. Функция:

function signalsFsst = computeFSST(xd,Fs)

xd = reshape([xd;randn(10000-length(xd),1)/100],5000,2);
signalsFsst = cell(1,2);    
    
for k = 1:2
    [ss,ff] = fsst(xd(:,k),Fs,kaiser(128));
    sp = ss(ff>0.5 & ff<40,:);
    signalsFsst{k} = normalize([real(sp);imag(sp)],2);
end

end

findRpeaks Функция: Поиск пиков R

Эта функция определяет наиболее заметный пик областей QRS, представляющих интерес, найденный findQRS. Функция применяет MATLAB ®islocalmax функция до абсолютного значения сигнала в интервалах, расположенных findQRS.

function [labelVals,labelLocs] = findRpeaks(x,t,parentLabelVal,parentLabelLoc,varargin)

labelVals = zeros(size(parentLabelLoc,1),1);
labelLocs = zeros(size(parentLabelLoc,1),1);

for kj = 1:size(parentLabelLoc,1)
    tvals = t>=parentLabelLoc(kj,1) & t<=parentLabelLoc(kj,2);
    ti = t(tvals);
    xi = x(tvals);
    lc = islocalmax(abs(xi),'MaxNumExtrema',1);
    labelVals(kj) = xi(lc);
    labelLocs(kj) = ti(lc);
end

end

Ссылки

[1] Лагуна, Пабло, Раймон Джане и Пер Каминал. «Автоматическое обнаружение границ волн в многоярусных сигналах ЭКГ: проверка с помощью базы данных CSE». Компьютеры и биомедицинские исследования. Том 27, № 1, 1994, стр. 45-60.

[2] Голдбергер, Ари Л., Луис А. Н. Амарал, Леон Гласс, Джеффери М. Хаусдорфф, Пламен Ч. Иванов, Роджер Г. Марк, Джозеф Э. Миет, Джордж Б. Муди, Чон-Кан Пэн и Х. Эугал «PhysioBank, PhysioToolkit и PhysioNet: компоненты нового исследовательского ресурса для сложных физиологических сигналов». Циркуляция. Том 101, № 23, 2000, стр. e215-e220. [Электронные страницы: http://circ.ahajournals.org/content/101/23/e215.full].

[3] Лагуна, Пабло, Роджер Г. Марк, Ари Л. Голдбергер и Джордж Б. Муди. «База данных для оценки алгоритмов измерения QT и других интервалов формы сигнала в ЭКГ». Компьютеры в кардиологии. Том 24, 1997, стр. 673-676.

[4] Муди, Джордж Б. и Роджер Г. Марк. «Влияние базы данных аритмии MIT-BIH». IEEE Engineering in Medicine and Biology Magazine. Том 20, № 3, май-июнь 2001 года, стр. 45-50.