Сравнение методов генерации синтетических нестационарных ЭКГ-подобных сигналов для тестирования алгоритмов анализа временных рядов
Аннотация
В данной работе рассмотрены различные подходы к генерации синтетических сигна- лов, имитирующих электрокардиограмму (ЭКГ) человека, с акцентом на нестационар- ность временного ряда и наличие разнообразных форм волны сигнала. Предлагают- ся результаты анализа трех подходов к генерации синтетических нестационарных ЭКГ-подобных сигналов, включающих: 1) правило-ориентированный подход, при котором модель ЭКГ строится на основе суммы гауссовых функций, каждая из ко- торых моделирует характерную волну (где P — волна предсердной деполяризации, QRS — комплекс желудочковой деполяризации, T — волна реполяризации); 2) сто- хастические модели с использованием Марковских цепей для эмуляции переходов между различными физиологическими состояниями; 3) нейросетевые генераторы, не основанные на жестко заданных правилах (например, рекуррентная LSTM с слу- чайными весами). Показано, как модель ЭКГ-сигнала, полученную при каждом из подходов, можно модифицировать для внесения нестационарности, в частности вариации длительности сердечных циклов, переключения состояний) и добавления локальных артефактов записи, например зашумлённых участков. Предложенные подходы могут быть использованы при тестировании алгоритмов кластеризации и анализа временных рядов, когда необходимо проверить устойчивость методов к шумам, редким событиям и смене состояний.
Литература
J. Pan and W. J. Tompkins, “A real-time QRS detection algorithm,” IEEE Transactions on Biomedical Engineering, vol. 32, no. 3, pp. 230–236, Mar. 1985; doi:10.1109/TBME.1985.325532
G. B. Moody and R. G. Mark, “The impact of the MIT-BIH Arrhythmia Database,” IEEE Engineering in Medicine and Biology Magazine, vol. 20, no. 3, pp. 45–50, May-Jun. 2001; doi:10.1109/51.932724
J. Behar, J. Oster, G. D. Clifford et al., “ECG signal quality during arrhythmia and its application to false alarm reduction,” IEEE Transactions on Biomedical Engineering, vol. 60, no. 6, pp. 1660–1666, Jun. 2013; doi:10.1109/TBME.2013.2240452
P. Laguna, R. G. Mark, A. Goldberg, and G. B. Moody, “A database for evaluation of algorithms for measurement of QT and other waveform intervals in the ECG,” in Proceedings of Computers in Cardiology, 1997, pp. 673–676; doi:10.1109/CIC.1997.648140
R. Sameni, G. Clifford, C. Jutten, and M. B. Shamsollahi, “Multichannel ECG and noise modeling: Application to maternal and fetal ECG signals,” EURASIP Journal on Advances in Signal Processing, vol. 2007, no. 1, p. 94, Jan. 2007; doi:10.1155/2007/43407
G. D. Clifford, F. Azuaje, and P. E. McSharry, Advanced Methods and Tools for ECG Data Analysis. Norwood, MA: Artech House, 2006.
J. Q. Xue, Y. H. Hu, and W. J. Tompkins, “Neural-network-based adaptive matched filtering for QRS detection,” IEEE Transactions on Biomedical Engineering, vol. 39, no. 4, pp. 317–329, Apr. 1992; doi:10.1109/10.126604
A. L. Goldberger, L. A. N. Amaral, L. Glass et al., “PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals,” Circulation, vol. 101, no. 23, pp. e215–e220, Jun. 2000; doi:10.1161/01.CIR.101.23.e215
S. J. Redmond, Y. Xie, D. Chang et al., “Electrocardiogram signal quality measures for unsupervised telehealth environments,” Physiological Measurement, vol. 33, no. 9, pp. 1517–1533, Sep. 2012; doi:10.1088/0967-3334/33/9/1517
P. S. Hamilton and W. J. Tompkins, “Quantitative investigation of QRS detection rules using the MIT/BIH Arrhythmia Database,” IEEE Transactions on Biomedical Engineering, vol. 33, no. 12, pp. 1157–1165, Dec. 1986; doi:10.1109/TBME.1986.325695
I. Goodfellow, J. Pouget-Abadie, M. Mirza et al., “Generative adversarial networks,” in Advances in Neural Information Processing Systems, vol. 27, pp. 2672–2680, 2014.
D. P. Kingma and M.Welling, “Auto-encoding variational Bayes,” arXiv:1312.6114, 2013.
P. Isola, J.-Y. Zhu, T. Zhou, and A. A. Efros, “Image-to-image translation with conditional adversarial networks,” in Proc. of 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp. 5967–5976; doi:10.1109/CVPR.2017.632
A. M. Kropacheva, D. V. Girdyuk, I. L. Iov, and A. Y. Pershin, “Generation of Spatial Time Series Data,” Proceedings of the Institute for System Programming of the RAS, vol. 36, no. 4, pp. 143–154, 2024 (in Russian); doi:10.15514/ispras-2024-36(4)-11.
G. A. Kesiyan, M. H. Urtenov, and T. A. Shahmelikyan, “Analysis of methods for generating time series with long-term correlation structure,” Scientific Journal of Kuban State Agrarian University, no. 74(10), pp. 1–14, 2011 (in Russian).
A. G. Ivancha, “Solving the problem of generating random autocorrelated time series using nonparametric statistics methods,” Management of Economic Systems: Electronic Scientific Journal, no. 31, 2011 (in Russian).
Материал публикуется под лицензией:
