Загрузка, повторная выборка и импорт данных в Signal Labeler

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

Загружает два сигнала базы данных MIT, соответствующих записям 200 и 203. Повторно отобразите сигналы в равномерную сетку со шаг расчета 1/250 секунды, что соответствует номинальной скорости дискретизации данных базы данных QT.

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

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

Откройте Signal Labeler. На вкладке Labeler нажмите Import и выберите From workspace в списке Представители. В диалоговом окне выберите сигналы y200 и y203. Добавьте информацию о времени: Выберите Time из раскрывающегося списка и укажите частоту дискретизации 250 Гц. Нажмите кнопку Импорт и закройте диалоговое окно. Сигналы появляются в браузере маркированного набора сигналов. Постройте график сигналов путем установки флажков рядом с их именами.

Задайте метки

Задайте метки, чтобы прикрепиться к сигналам.

Создайте пользовательские функции автоматической маркировки

Создайте две пользовательские функции маркировки, одну для определения местоположения и маркировки комплексов QRS и другую для определения местоположения и маркировки пика R в каждом комплексе QRS. (Код для findQRS и findRpeaks функции появляются позже в примере.) Чтобы создать каждую функцию, на вкладке Labeler, разверните коллекцию Automate Value и выберите Add Custom Function. Signal Labeler показывает диалоговое окно с запросом имени, описания и типа метки функции.

Если вы уже написали функции и функции находятся в текущей папке или в пути MATLAB ®, Signal Labeler добавляет функции в галерею. Если вы не написали функции, Signal Labeler открывает пустые шаблоны в редактор, чтобы вы вводили или вставляли код. Сохраните файлы. Как только вы сохраняете файлы, функции появляются в галерее.

Маркируйте комплексы QRS и Peaks R

Найдите и пометьте комплексы QRS входных сигналов.

Signal Labeler обнаруживает и помечает комплексы QRS для всех сигналов, но отображает метки только для сигналов, чьи флажки установлены. Комплексы QRS появляются как затененные области на графике и в осях средства просмотра меток. Активируйте панораму, нажав кнопку Panner на вкладке Display и увеличьте изображение области маркированного сигнала.

Найдите и отметьте peaks R, соответствующие комплексам QRS.

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

Экспорт маркированных сигналов и вычисление вариабельности сердечного ритма

Экспортируйте маркированные сигналы, чтобы сравнить изменчивость сердечного ритма для каждого пациента. На вкладке Labeler нажмите экспорт ▼ и выберите Labeled Signal Set To File. В появившемся диалоговом окне дайте имя HeartRates.mat к маркированному набору сигналов и добавить необязательное краткое описание. Нажмите Экспорт.

Вернитесь к Командному окну MATLAB ®. Загрузите маркированный набор сигналов. Для каждого сигнала в наборе вычислите изменчивость сердечного ритма как стандартное отклонение временных различий между последовательными сердцебиениями. Постройте гистограмму различий и отобразите изменчивость 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: Найти комплексы QRS

The findQRS функция находит и помечает комплексы QRS входных сигналов.

Функция использует вспомогательную функцию, computeFSST, для изменения формы входных данных и вычисления Synchrosqueezed преобразования Фурье (FSST). Можно либо хранить computeFSST в отдельном файле в той же директории или вложить его внутрь findQRS вставив его перед заключительным end оператор.

findQRS использует classify (Deep Learning Toolbox) функцию и обученную сеть глубокого обучения net для идентификации областей QRS. Нейронная сеть для глубокого обучения выводит категориальный массив, которая помечает каждую точку входного сигнала как принадлежащую P- области, комплексу QRS, T- области или ни одному из них. Эта функция преобразует метки точек, соответствующие комплексу QRS, в области интереса QRS, используя signalMask и отбрасывает рест. The df параметр выбирает в качестве областей интереса только те комплексы QRS, чья продолжительность больше 20 отсчетов. Если вы не задаете частоту дискретизации, 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 synchrosqueezed преобразований Фурье

Эта функция использует fsst функция для вычисления Synchrosqueezed преобразования Фурье (FSST) входа. Как обсуждалось в Сегментации Формы Волны Используя Глубокое Обучение, Сеть лучше всего работает, когда задается в качестве входов частотно-временная карта каждого сигнала обучения или тестирования. FSST приводит к набору функций, особенно полезных для рекуррентных сетей, потому что 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: Найти R Peaks

Эта функция находит самый заметный пик необходимых областей QRS, найденных findQRS. Функция применяет MATLAB ® islocalmax функцию к абсолютному значению сигнала в интервалах, расположенных по 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 Жане и Пере Каминаль. «Автоматическое обнаружение контуров волн в многоуровневых сигналах ЭКГ: валидация с базой данных CSE». Компьютеры и биомедицинские исследования. Том 27, № 1, 1994, стр. 45-60.

[2] Голдбергер, Ари Л., Луис А. Н. Амарал, Леон Гласс, Джеффри М. Хаусдорф, Пламен Ч. Иванов, Роджер Г. Марк, Джозеф Е. Миетус, Джордж Б. Муди, Чунг-Канг Пенг PhysioBank, PhysioToolkit и PhysioNet: компоненты нового исследовательского ресурса комплексных физиологических сигналов. Циркуляция. Том 101, № 23, 2000, стр. e215-e220. [Электронные страницы тиража: 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 интервалов QT и других сигналов в ЭКГ». Компьютеры в кардиологии. Том 24, 1997, стр. 673-676.

[4] Moody, George B., and Roger G. Mark. «The влияния of the MIT-BIH Arrhythmia Database». IEEE Engineering in Medicine and Biology Magazine. Том 20, № 3, май-июнь 2001 года, стр. 45-50.