A carregar...
Publicação
Controllable ECG Synthesis Through Neural Network Input Modelling
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.95 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Artificial Intelligence (AI) has brought promising innovations to healthcare, particularly
in patient diagnosis and monitoring. However, challenges such as data scarcity, quality,
and privacy concerns often hinder its effective implementation. Electrocardiogram (ECG)
signals are crucial for cardiac disease diagnosis, but collecting these signals can be challenging
due to patient privacy concerns and the rarity of some cardiac conditions. This
thesis presents a novel method for synthesising ECG signals in a controllable manner,
with the aim of augmenting existing datasets and, by extension, promoting the development
of more ethically responsible AI algorithms in healthcare.
The methods used in this thesis include the usage of a non-linear modified sawtooth
signal as an input to train a Gated Recurrent Unit (GRU) generator. Then, by modifying
this input signal, with alterations that result in parameterised changes to the synthetic
signal, it was possible to generate different ECG traces, such as normal sinus rhythms,
tachycardia, bradycardia, and first and second-degree atrioventricular (AV) blocks. The
model successfully retained the specific ECG characteristics of individual subjects across
these rhythms and arrhythmias. In addition, a Random Forest (RF) model was trained and
then tested to classify the synthetic arrhythmias. Once this was successfully achieved, the
synthetic arrhythmias were used to augment the previous training dataset. The results
showed improved performance on the same test set, highlighting the utility and effectiveness
of the synthetic signals.
This thesis contributes to the field of AI in healthcare by developing new methods to
generate data for underrepresented groups and providing evaluation metrics to assess the
quality of synthetic data. Ultimately, this work serves as a foundation for the equitable
use of synthetic signals in healthcare AI, promoting unbiased and ethically responsible
applications.
A Inteligência Artificial (IA) trouxe inovações promissoras para os cuidados de saúde, nomeadamente no diagnóstico e monitorização dos doentes. No entanto, desafios como a escassez de dados, a qualidade e as preocupações com a privacidade impedem frequentemente a utilização da IA nesta área. Os sinais de eletrocardiograma (ECG) são cruciais para o diagnóstico de doenças cardíacas, mas a recolha destes sinais pode ser um desafio devido às preocupações com a privacidade do paciente e à raridade de algumas doenças cardíacas. Esta tese apresenta um novo método para sintetizar sinais de ECG de uma forma controlável, com o objetivo de aumentar os conjuntos de dados existentes e promover o desenvolvimento de algoritmos de IA mais eticamente responsáveis na área da saúde. Os métodos utilizados nesta tese incluem a utilização de um sinal dente de serra modificado como entrada para treinar uma Gated Recurrent Unit (GRU) e, em seguida, a utilização de diferentes versões deste sinal de entrada, com alterações que resultam em mudanças parametrizadas do sinal sintético. Isto permite a geração de diferentes ritmos de ECG, tais como ritmos sinusais normais, taquicardia, bradicardia e vários bloqueios atrioventriculares (AV). O modelo reteve com êxito as características específicas do ECG de sujeitos em todos os ritmos e arritmias. Além disso, um modelo Random Forest (RF) foi treinado e depois testado para classificar as arritmias sintéticas. Posteriormente, as arritmias sintéticas foram usadas para aumentar o conjunto de dados de treino anterior, e os testes preliminares mostraram um melhor desempenho no mesmo conjunto de teste, destacando a utilidade e a eficácia dos sinais sintetizados. Esta tese contribui para a inovação na área da IA para a saúde, desenvolvendo novos métodos para gerar dados para grupos sub-representados e fornecendo métricas para avaliação da qualidade dos dados sintéticos. Em última análise, este trabalho serve de base para a utilização equitativa de dados sintéticos na IA aplicada à medicina, garantindo modelos imparciais e eticamente responsáveis.
A Inteligência Artificial (IA) trouxe inovações promissoras para os cuidados de saúde, nomeadamente no diagnóstico e monitorização dos doentes. No entanto, desafios como a escassez de dados, a qualidade e as preocupações com a privacidade impedem frequentemente a utilização da IA nesta área. Os sinais de eletrocardiograma (ECG) são cruciais para o diagnóstico de doenças cardíacas, mas a recolha destes sinais pode ser um desafio devido às preocupações com a privacidade do paciente e à raridade de algumas doenças cardíacas. Esta tese apresenta um novo método para sintetizar sinais de ECG de uma forma controlável, com o objetivo de aumentar os conjuntos de dados existentes e promover o desenvolvimento de algoritmos de IA mais eticamente responsáveis na área da saúde. Os métodos utilizados nesta tese incluem a utilização de um sinal dente de serra modificado como entrada para treinar uma Gated Recurrent Unit (GRU) e, em seguida, a utilização de diferentes versões deste sinal de entrada, com alterações que resultam em mudanças parametrizadas do sinal sintético. Isto permite a geração de diferentes ritmos de ECG, tais como ritmos sinusais normais, taquicardia, bradicardia e vários bloqueios atrioventriculares (AV). O modelo reteve com êxito as características específicas do ECG de sujeitos em todos os ritmos e arritmias. Além disso, um modelo Random Forest (RF) foi treinado e depois testado para classificar as arritmias sintéticas. Posteriormente, as arritmias sintéticas foram usadas para aumentar o conjunto de dados de treino anterior, e os testes preliminares mostraram um melhor desempenho no mesmo conjunto de teste, destacando a utilidade e a eficácia dos sinais sintetizados. Esta tese contribui para a inovação na área da IA para a saúde, desenvolvendo novos métodos para gerar dados para grupos sub-representados e fornecendo métricas para avaliação da qualidade dos dados sintéticos. Em última análise, este trabalho serve de base para a utilização equitativa de dados sintéticos na IA aplicada à medicina, garantindo modelos imparciais e eticamente responsáveis.
Descrição
Palavras-chave
ECG synthesis controllable synthesis GRU data augmentation arrhythmia synthesis