Text EGM

Interprétation des électrogrammes intracardiaques à travers des représentations textuelles

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

Code officiel pour "l'interprétation des électrogrammes intracardiaques à travers des représentations textuelles" acceptées par la conférence de la santé, l'inférence et l'apprentissage de 2024 (CHIL).

Si vous ressentez des bogues ou avez des questions, veuillez soumettre un problème ou un contact chez WJHAN {at} Andrew {dot} CMU {DOT} edu.

Nous remercions le Mario Lemieux Center pour Heart Rhythm Care à l'Allegheny General Hospital pour avoir soutenu ce travail.

Configuration de l'environnement

Remarque: nous n'avons testé que sur 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

Remarque: veuillez vous assurer que le PIP que vous utilisez provient de l'environnement conda

6. Testez si la version Pytorch est compatible avec les GPU disponibles actuels en exécutant python gpu.py Actuellement, nous n'avons testé que sur les GPU NVIDIA A5000 (24 Go) et A6000 (48 Go).

7. pip install -r requirements.txt

Configurer des données

1. Bien que les données que nous avons organisées ne soient pas accessibles au public, nous avons des résultats expérimentaux sur un ensemble de données externes (les principaux résultats sont dans le tableau 2 dans l'article), à ​​savoir la "base de données de fibrillation auriculaire intracardiaque" disponible sur la physique.

2. Pour configurer ces données, cd dans le dossier preprocess .

3. Veuillez exécuter la commande suivante pour télécharger les données.

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

4. Décompresser le fichier en exécutant

 unzip intracardiac-atrial-fibrillation-database-1.0.0

5. Exécutez maintenant la commande suivant pour prétraiter les données.

 sh preprocess.sh

6. Cela devrait créer un dossier de données avec plusieurs .npy pour la formation, la validation et le test.

Commencer à s'entraîner

1. Du cd ../ retour au répertoire principal.

2. Vous pouvez désormais utiliser directement des fichiers train.sh pour commencer la formation.

Inférence

1. Veuillez exécuter sh inference.sh après la formation. Assurez-vous de spécifier le chemin du point de contrôle.

Visualisations

Toutes les visualisations seront enregistrées dans leur dossier de point de contrôle respectif. Veuillez cd visualize avant de visualiser. Sous le dossier visualize , veuillez consulter les scripts suivants:

1. stitch.sh - visualise les signaux reconstruits et prévus.

2. viz_tokens.sh - visualise la représentation tokenisée du signal.

3. viz_attentions.sh - visualise la carte d'attention du modèle.

4. viz_int_grad.sh - visualise les scores d'attribution du modèle.

Citation

Si vous avez trouvé ce référentiel ou que vous travaillez utile, veuillez citer le bibtex suivant.

 @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}
}