ترجمه فارسی مقاله یک روش یادگیری عمیق کارآمد و انعطاف‌پذیر برای تعیین مرز سیگنال از طریق تخمین نقاط کلیدی

چکیده

Deep Learning (DL) methods have been used for electrocardiogram (ECG) processing in a wide variety of tasks, demonstrating good performance compared with traditional signal processing algorithms. These methods offer an efficient framework with a limited need for apriori data pre-processing and feature engineering. While several studies use this approach for ECG signal delineation, a significant gap persists between the expected and the actual outcome. Existing methods rely on a sample-to-sample classifier. However, the clinical expected outcome consists of a set of onset, offset, and peak for the different waves that compose each R-R interval. To align the actual with the expected output, it is necessary to incorporate post-processing algorithms. This counteracts two of the main advantages of DL models, since these algorithms are based on assumptions and slow down the method’s performance. In this paper, we present Keypoint Estimation for Electrocardiogram Delineation (KEED), a novel DL model designed for keypoint estimation, which organically offers an output aligned with clinical expectations. By standing apart from the conventional sample-to-sample classifier, we achieve two benefits: (i) Eliminate the need for additional post-processing, and (ii) Establish a flexible framework that allows the adjustment of the threshold value considering the sensitivity-specificity tradeoff regarding the particular clinical requirements. The proposed method’s performance is compared with state-of-the-art (SOTA) signal processing methods. Remarkably, KEED significantly outperforms despite being optimized with an extremely limited annotated data. In addition, KEED decreases the inference time by a factor ranging from 52x to 703x.

چکیده به فارسی (ترجمه ماشینی)

روشهای یادگیری عمیق (DL) برای پردازش الکتروکاردیوگرام (ECG) در طیف گسترده ای از کارها استفاده شده است ، عملکرد خوبی را در مقایسه با الگوریتم های پردازش سیگنال سنتی نشان می دهد.این روش ها یک چارچوب کارآمد با نیاز محدود به داده های Apriori پیش پردازش و مهندسی ویژگی ها ارائه می دهند.در حالی که چندین مطالعه از این روش برای تعیین سیگنال ECG استفاده می کنند ، شکاف قابل توجهی بین نتیجه مورد انتظار و نتیجه واقعی ادامه دارد.روشهای موجود به طبقه بندی کننده نمونه به نمونه متکی هستند.با این حال ، نتیجه مورد انتظار بالینی شامل مجموعه ای از شروع ، جبران و اوج برای امواج مختلف است که هر بازه R-R را تشکیل می دهد.برای تراز کردن واقعی با خروجی مورد انتظار ، لازم است الگوریتم های پس از پردازش را بگنجانید.این دو مورد از مزایای اصلی مدل های DL را خنثی می کند ، زیرا این الگوریتم ها بر اساس فرضیات انجام شده و عملکرد روش را کند می کنند.در این مقاله ، ما برآورد صفحه کلید برای تعیین الکتروکاردیوگرام (KEED) ، یک مدل جدید DL که برای تخمین صفحه کلید طراحی شده است ، ارائه می دهیم ، که به صورت ارگانیک یک خروجی را با انتظارات بالینی تراز می کند.با ایستادن جدا از طبقه بندی کننده نمونه به نمونه معمولی ، ما به دو مزیت می رسیم: (i) نیاز به پردازش اضافی را از بین ببرید ، و (ب) یک چارچوب انعطاف پذیر ایجاد کنید که امکان تنظیم مقدار آستانه را با توجه به حساسیت فراهم می کند-تجارت ویژگی در مورد نیازهای بالینی خاص.عملکرد روش پیشنهادی با روشهای پردازش سیگنال پیشرفته (SOTA) مقایسه می شود.نکته قابل توجه ، با وجود اینکه با داده های حاشیه نویسی بسیار محدود بهینه شده است ، Keed به طور قابل توجهی از عملکردهای قابل توجهی برخوردار است.علاوه بر این ، KEED با عاملی از 52x تا 703x زمان استنباط را کاهش می دهد.