Text EGM

Interpretation von intrakardialen Elektrogrammen durch Textdarstellungen

William Jongwon Han, Diana Gomez, Avi Alok, Chaojing Duan, Michael A. Rosenberg, Douglas Weber, Emerson Liu, Ding Zhao.

Offizieller Code für "Interpretation von intrakardialen Elektrogrammen durch textuelle Darstellungen", die bis 2024 Konferenz über Gesundheit, Inferenz und Lernen (CHIL) akzeptiert wurden.

Wenn Sie Fehler haben oder Fragen haben, senden Sie bitte ein Problem oder wenden Sie sich an wjhan {at} Andrew {dot} cmu {dot} edu.

Wir danken dem Mario Lemieux -Zentrum für Herzrhythmus -Versorgung im Allegheny General Hospital für die Unterstützung dieser Arbeit.

Umgebung einrichten

Hinweis: Wir haben nur auf Ubuntu 20.04.5 LTS getestet.

1. conda create -n envname python=3.8

2. conda activate envname

3. git clone https://github.com/willxxy/ekg-af.git

4. cd ekg-af

5. pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113

Hinweis: Bitte stellen Sie sicher, dass der von Ihnen verwendete PIP in der Conda -Umgebung stammt

6. Testen Sie, wenn die Pytorch -Version mit dem aktuellen, verfügbaren GPUs kompatibel ist, indem python gpu.py ausgeführt wird. Derzeit haben wir nur auf A5000 (24 GB) und A6000 (48 GB) NVIDIA -GPUs getestet.

7. pip install -r requirements.txt

Daten einrichten

1. Obwohl die von uns kuratierten Daten nicht öffentlich verfügbar sind, haben wir experimentelle Ergebnisse in einem externen Datensatz (die Hauptergebnisse finden Sie in Tabelle 2 in der Arbeit), nämlich die auf Phyionet verfügbare "intrakardiale Vorhofflimmungsdatenbank".

2. Um diese Daten einzurichten, cd in den preprocess .

3. Bitte führen Sie den folgenden Befehl aus, um die Daten herunterzuladen.

 wget https://physionet.org/static/published-projects/iafdb/intracardiac-atrial-fibrillation-database-1.0.0.zip

4. Entpacken Sie die Datei durch Ausführung

 unzip intracardiac-atrial-fibrillation-database-1.0.0

5. Führen Sie nun den Folllowing -Befehl aus, um die Daten vorzubereiten.

 sh preprocess.sh

6. Dies sollte einen Datenordner mit mehreren .npy für Training, Validierung und Test erstellen.

Beginnen Sie mit dem Training

1. Aus der Vorverarbeitungsordner cd ../ Zurück zum Hauptverzeichnis.

2. Sie können jetzt direkt mit train.sh mit dem Training mit dem Training versehen.

Schlussfolgerung

1. Bitte führen Sie sh inference.sh nach dem Training aus. Stellen Sie sicher, dass Sie den Checkpoint -Pfad angeben.

Visualisierungen

Alle Visualisierungen werden in ihrem jeweiligen Checkpoint -Ordner gespeichert. Bitte cd visualize vor der Visualisierung. Unter dem Ordner visualize Sie sich bitte die folgenden Skripte an:

1. stitch.sh - Visualisiert die rekonstruierten und prognostizierten Signale.

2. viz_tokens.sh - visualisiert die tokenisierte Darstellung des Signals.

3. viz_attentions.sh - Visualisiert die Aufmerksamkeitskarte des Modells.

4. viz_int_grad.sh - Visualisiert die Attributionsergebnisse des Modells.

Zitat

Wenn Sie dieses Repository gefunden haben oder für Ihre eigenen hilfreich sind, geben Sie bitte die folgende Bibtex an.

 @misc{han2024interpretation,
      title={Interpretation of Intracardiac Electrograms Through Textual Representations}, 
      author={William Jongwon Han and Diana Gomez and Avi Alok and Chaojing Duan and Michael A. Rosenberg and Douglas Weber and Emerson Liu and Ding Zhao},
      year={2024},
      eprint={2402.01115},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}