Документация

Загрузите и подготовьте данные

Используйте QTdownload функционируйте, чтобы загрузить электрокардиограмму (ECG) сигналы от общедоступной базы данных QT 1[] 2[] к новой временной директории folder. Код для этой функции в конце примера.

folder = QTdownload;

Каждый файл содержит сигнал ECG ecgSignal, таблица области маркирует signalRegionLabels, и переменная Fs частоты дискретизации. Все сигналы имеют частоту дискретизации 250 Гц. Метки области соответствуют трем морфологии heartbeat:

Создайте datastore сигнала, который указывает на folder. Укажите, что переменная сигнала называет ecgSignal и переменная Fs частоты дискретизации.

sds = signalDatastore(folder,'SignalVariableNames','ecgSignal','SampleRateVariableName','Fs');

Создайте подмножество datastore, содержащего первые двадцать файлов. Используйте это подмножество в качестве источника для labeledSignalSet объект.

subsds = subset(sds,1:20);
lss = labeledSignalSet(subsds);

Маркируйте Regions of Interest

Откройте приложение Signal Labeler и импортируйте помеченный набор сигнала из рабочей области. Постройте первый сигнал в наборе данных. От вкладки Display выберите регулятор панорамы и изменение масштаба в меньшую область сигнала для лучшей визуализации.

От вкладки Labeler задайте категориальную метку видимой области (ROI) с P, QRS и категориями T. Назовите метку BeatMorphologies.

Создайте пользовательскую функцию маркировки labelECGregions определить местоположение и пометить три различных необходимых области. Код для пользовательской функции появляется позже в примере. Можно сохранить функцию в текущей папке, на пути MATLAB, или добавить его в приложении путем выбора Add Custom Function в галерее Automate Value. Смотрите Пользовательский Functions Маркировки для получения дополнительной информации.

Выберите BeatMorphologies в Маркировать браузере Definitions и выбирают labelECGregions функция из галереи Automate Value. Выберите Auto-Label и затем Auto-Label and Inspect Plotted. Нажмите Run. От вкладки Display увеличьте масштаб области помеченного сигнала и используйте регулятор панорамы, чтобы перейти в течение времени. Если маркировка является удовлетворительной, нажмите Save Labels, чтобы принять метки и закрыть вкладку Autolabel. Вы видите метки и их значения местоположения в Помеченном Настроенном Браузере Сигнала.

Визуализируйте прогресс маркировки и статистику

Выберите Dashboard в панели инструментов вкладки Labeler. Индикатор выполнения показывает, что 5% членов помечены по крайней мере одной меткой ROI. Это соответствует 1/20 членам в наборе данных. Круговая диаграмма распределения метки показывает количество экземпляров каждой категории для выбранного определения метки.

Закройте инструментальную панель и продолжите свою маркировку. Выберите Auto-Label и затем Auto-Label All Signals пометить следующие четыре сигнала в списке. Установите флажок рядом с именами сигнала, которые вы хотите пометить и затем нажать ОК.

Выберите Dashboard снова. Индикатор выполнения теперь показывает, что 25% членов помечены. Проверьте, что распределение каждой категории (P, QRS или T) как ожидалось. Label Distribution круговая диаграмма показывает, что каждая категория составляет приблизительно одну треть всех экземпляров метки. Выберите Time Distribution график гистограммы из галереи Plots, чтобы просмотреть среднюю длительность P и волн T и комплексов QRS, включая выбросы. Заметьте, что волны T имеют более долгую длительность, чем волны P и комплексы QRS.

Отобразите Member Count стройте диаграмму, чтобы лучше визуализировать распределение меток через члены и количество экземпляров. Большинство членов в наборе данных имеет между 0–500 экземплярами P, QRS и областей T.

Нажмите на график индикатора выполнения и настройте Threshold в панели инструментов, чтобы считать только члены, по крайней мере, с 5000 метки. Теперь только три из пяти помеченных членов включены в количество. Настройте порог количества, чтобы лучше дифференцироваться между помеченными и непомеченными членами на основе ваших требований маркировки.

Функция labelECGregions:

labelECGregions функционируйте использует предварительно обученную нейронную сеть для глубокого обучения, чтобы идентифицировать P, QRS и морфологию heartbeat T в сигналах ECG.

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

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

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

% Download the pretrained networks
netURL = 'https://ssd.mathworks.com/supportfiles/SPT/data/QTDatabaseECGSegmentationNetworks.zip'; %#ok<*UNRCH>
modelsFolder = fullfile(tempdir,'QTDatabaseECGSegmentationNetworks');
modelsFile = fullfile(modelsFolder,'trainedNetworks.mat');
zipFile = fullfile(tempdir,'QTDatabaseECGSegmentationNetworks.zip');
    if ~exist(modelsFolder,'dir')
        websave(zipFile,netURL);
        unzip(zipFile,fullfile(tempdir,'QTDatabaseECGSegmentationNetworks'));
    end
load(modelsFile)
    
    for kj = 1:size(x,2)
    
        sig = x(:,kj)';
    
        predTest = classify(rawNet,sig,'MiniBatchSize',50);
        
        msk = signalMask(predTest);
        msk.SpecifySelectedCategories = true;
        msk.SelectedCategories = find(msk.Categories ~= "n/a");
        
        labels = roimask(msk);
        labelVals{kj} = labels.Value;
        labelLocs{kj} = labels.ROILimits/Fs;
    end

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

end

QTdownload Функция:

Можно загрузить файлы данных с https://www.mathworks.com/supportfiles/SPT/data/QTDatabaseECGData.zip или использовать unzip функция, чтобы создать QTDatabaseECGData папка в вашей временной директории с 210 MAT-файлами в нем.

function folder = QTdownload

dataURL = 'https://www.mathworks.com/supportfiles/SPT/data/QTDatabaseECGData1.zip';
datasetFolder = fullfile(tempdir,'QTDataset');
zipFile = fullfile(tempdir,'QTDatabaseECGData.zip');
if ~exist(datasetFolder,'dir')
     websave(zipFile,dataURL);
     unzip(zipFile,tempdir);
end
folder = datasetFolder;

end

Ссылки

[1] Голдбергер, Ари Л., Луис А. Н. Амараль, Леон Гласс, Джеффри М. Гаусдорф, Plamen Ch. Иванов, Роджер Г. Марк, Джозеф Э. Митус, Джордж Б. Муди, Чанг-Канг Пенг и Х. Юджин Стэнли. "PhysioBank, PhysioToolkit и PhysioNet: Компоненты Нового Ресурса Исследования для Комплексных Физиологических Сигналов". Циркуляция. Издание 101, № 23, 2000, стр e215–e220. [Циркуляция Электронные Страницы; http://circ.ahajournals.org/content/101/23/e215.full].

[2] Laguna, Пабло, Роджер Г. Марк, Ари Л. Голдбергер и Джордж Б. Муди. "База данных для Оценки Алгоритмов для Измерения QT и Других Интервалов Формы волны в ECG". Компьютеры в Кардиологии. Vol.24, 1997, стр 673–676.