Text EGM

Interpretación de electrogramas intracardíacos a través de representaciones textuales

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

Código oficial para "Interpretación de electrogramas intracardíacos a través de representaciones textuales" aceptado para la Conferencia 2024 sobre salud, inferencia y aprendizaje (CHIL).

Si experimenta algún error o tiene alguna pregunta, envíe un problema o contacte en Wjhan {AT} Andrew {dot} cmu {dot} edu.

Agradecemos al Centro Mario Lemieux por la atención del ritmo cardíaco en el Hospital General Allegheny por apoyar este trabajo.

Configurar entorno

Nota: Solo hemos probado en Ubuntu 20.04.5 LTS.

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

Nota: Asegúrese de que el PIP que está utilizando es del entorno de conda

6. Pruebe si la versión de Pytorch es compatible con las GPU actuales disponibles al ejecutar python gpu.py Actualmente, solo hemos probado en las GPU NVIDIA A5000 (24 GB) y A6000 (48 GB).

7. pip install -r requirements.txt

Configurar datos

1. Aunque los datos que seleccionamos no están disponibles públicamente, tenemos resultados experimentales en un conjunto de datos externo (los resultados principales están en la Tabla 2 en el documento), a saber, la "base de datos de fibrilación auricular intracardíaca" disponible en Physionet.

2. Para configurar estos datos, cd en la carpeta preprocess .

3. Ejecute el siguiente comando para descargar los datos.

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

4. Descompensar el archivo ejecutando

 unzip intracardiac-atrial-fibrillation-database-1.0.0

5. Ahora ejecute el comando Folllowing para preprocesar los datos.

 sh preprocess.sh

6. Esto debería crear una carpeta de datos con varios .npy para entrenamiento, validación y prueba.

Comience el entrenamiento

1. Desde la carpeta de preprocesos cd ../ Regreso al directorio principal.

2. Ahora puede usar directamente los archivos train.sh para comenzar a capacitar.

Inferencia

1. Ejecute sh inference.sh después de la capacitación. Asegúrese de especificar la ruta del punto de control.

Visualizaciones

Todas las visualizaciones se guardarán en su respectiva carpeta de punto de control. Por favor, cd visualize antes de visualizar. En la carpeta visualize , vea los siguientes scripts:

1. stitch.sh : visualiza las señales reconstruidas y previstas.

2. viz_tokens.sh - Visualiza la representación tokenizada de la señal.

3. viz_attentions.sh - Visualiza el mapa de atención del modelo.

4. viz_int_grad.sh - Visualiza las puntuaciones de atribución del modelo.

Citación

Si encontró este repositorio o trabaja útil para el suyo, cite el siguiente bibtex.

 @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}
}