Нейронные сети в обработке данных электрофизиологических исследований

Хоткина Наталья Александровна

Биологический факультет

Каф. физиологии человека и животных

Тип данных – временные ряды�(зависимость мембранного потенциала от времени)

Потенциалы концевой пластинки

?

Миниатюрные потенциалы концевой пластинки

Нейронные сети в обработке временных рядов

Zahid M. U. et al. Robust R-Peak Detection in Low-Quality Holter ECGs using 1D Convolutional Neural Network // IEEE Trans. Biomed. Eng. 2020. Т. 69. № 1. С. 119–128.

Wei Y., Jang-Jaccard J., Xu W., Sabrina F., Camtepe S., Boulic M. LSTM-Autoencoder based Anomaly Detection for Indoor Air Quality Time Series Data // 2022.

1D сверточные сети в детекции R-пиков в ЭКГ

Автоэнкодеры в детекции аномалий

Цель и задачи

Цель:

Создание инструмента для автоматической обработки экспериментальных данных электрофизиологических исследований.

Задачи:

1. Предобработать данные.
2. Разработать архитектуру нейронной сети на основе 1D Unet.
3. Разработать архитектуру автоэнодера для детекции аномалий.

Архитектура модели (1D Unet)

Данные разбиваются на патчи по 100 точек. В каждом патче присутствует МПКП.

Данные делятся на train-val-test в соотношении 93-23-17 файлов.

Intersection over Union (IoU)

IoU на 300 эпохе = 0,91

Loss на 300 эпохе = 0,22

Loss

Примеры

Эпоха 19, IoU = 0.80.

Эпоха 298, IoU = 0.915.

Синие метки – истинные значения.

Оранжевые – предсказанные.

Детекция аномалий при помощи автоэнкодера

Реконструкция шума (данных без аномалий)

Миниатюрные потенциалы концевой пластинки – аномалии в сигнале.

Сравнение моделей