ML-ECG-Research

Проект машинного обучения для анализа электрокардиограмм (ЭКГ) с использованием сиамских нейронных сетей для обучения с малым количеством примеров (few-shot learning). Этот проект реализует подход глубокого обучения для анализа сигналов ЭКГ и обнаружения сердечных аномалий.

🏥 Обзор проекта

Этот проект использует набор данных PTB-XL, большой публично доступный набор данных электрокардиографии, для обучения сиамской нейронной сети анализа сигналов ЭКГ. Модель предназначена для изучения значимых представлений сигналов ЭКГ и может использоваться для задач обучения с малым количеством примеров при обнаружении сердечных аномалий.

🚀 Возможности

• Сиамская нейронная сеть: Реализует архитектуру сверточной нейронной сети для изучения представлений сигналов ЭКГ
• Обучение с малым количеством примеров: Способна обучаться на очень небольшом количестве примеров, используя обучение на основе сходства
• Обработка сигналов ЭКГ: Комплексный конвейер предобработки данных ЭКГ
• Обнаружение QRS-комплексов: Автоматическое обнаружение и анализ QRS-комплексов в сигналах ЭКГ
• Визуализация представлений: Визуализация изученных представлений ЭКГ с помощью UMAP
• Перенос обучения: Поддержка загрузки предобученных моделей

📋 Требования

• Python 3.7+
• PyTorch 1.13.1
• NumPy 1.23.5
• Pandas 1.5.3
• Scikit-learn 1.2.1
• WFDB 4.1.0 (для обработки сигналов ЭКГ)
• Matplotlib 3.7.0
• SciPy 1.10.0
• UMAP-learn 0.5.3

🛠️ Установка

1. Клонируйте репозиторий:

git clone <url-репозитория>
cd ML-ECG-Research

2. Создайте виртуальное окружение (рекомендуется):

python -m venv venv
source venv/bin/activate  # В Windows: venv\Scripts\activate

3. Установите зависимости:

pip install -r requirements.txt

📁 Структура проекта

ML-ECG-Research/
├── src/                    # Исходный код
│   ├── main.py            # Основной скрипт выполнения
│   ├── model.py           # Модель сиамской нейронной сети
│   ├── train.py           # Конвейер обучения
│   ├── preprocessing.py   # Утилиты предобработки данных
│   ├── split_QRS.py       # Обнаружение QRS-комплексов
│   ├── transformations.py # Преобразования сигналов
│   ├── utils.py           # Вспомогательные функции
│   ├── results.py         # Анализ и визуализация результатов
│   ├── loader.py          # Утилиты загрузки данных
│   └── config.py          # Настройки конфигурации
├── notebooks/             # Jupyter блокноты
│   └── reserchNotebook.ipynb  # Блокнот для исследований и анализа
├── data/                  # Директория с данными (создается автоматически)
├── result/                # Результаты и выходные данные (создается автоматически)
├── requirements.txt       # Python зависимости
└── README.md             # Этот файл

⚙️ Конфигурация

Отредактируйте src/config.py для изменения параметров обучения:

• batch_size: Размер пакета обучения (по умолчанию: 4)
• max_epoch: Максимальное количество эпох обучения (по умолчанию: 1)
• learning_rate: Скорость обучения (по умолчанию: 0.001)
• thin_out_ratio: Коэффициент прореживания данных (по умолчанию: 0.09)
• valid_size: Размер валидационного набора (по умолчанию: 0.1)
• test_size: Размер тестового набора (по умолчанию: 0.4)
• shot_sizes: Размеры выборок для обучения с малым количеством примеров (по умолчанию: [1, 2, 3, 4, 5])

🎯 Использование

Обучение новой модели

1. Убедитесь, что набор данных PTB-XL доступен в директории data/
2. Запустите основной скрипт обучения:

cd src
python main.py

Использование предобученной модели

1. Установите load_model = True в config.py
2. Установите load_from на путь к вашей предобученной модели
3. Запустите основной скрипт:

cd src
python main.py

Исследовательский блокнот

Для детального анализа и экспериментов используйте Jupyter блокнот:

jupyter notebook notebooks/reserchNotebook.ipynb

🔬 Архитектура модели

Проект реализует сиамскую нейронную сеть со следующей архитектурой:

• Вход: Пары сигналов ЭКГ (2 канала)
• Сверточные слои: 3 слоя conv1d с максимальным пулингом
• Полносвязный слой: 128-мерное представление
• Метрика сходства: Косинусное сходство между представлениями

📊 Набор данных

Проект использует набор данных PTB-XL, большой публично доступный набор данных электрокардиографии, содержащий:

• 21,837 клинических 12-канальных ЭКГ
• 18,885 пациентов
• 71 ЭКГ-заключение
• 5 суперклассов диагнозов

Набор данных автоматически загружается с PhysioNet при запуске конвейера предобработки.

📈 Результаты

Модель генерирует:

• Изученные представления для сигналов ЭКГ
• UMAP-визуализации пространства представлений
• Метрики производительности обучения с малым количеством примеров
• Результаты обнаружения QRS-комплексов

📝 Лицензия

Этот проект лицензирован под MIT License - см. файл LICENSE для подробностей.

📞 Контакты

Telegram: @Vlodimirshil

Email: vladimir@itmo.ru

---

Примечание: Это исследовательский проект. Результаты могут варьироваться в зависимости от конкретных данных ЭКГ и случая использования. Всегда проверяйте результаты в клинических условиях перед медицинским применением.