Published November 4, 2022
| Version v1
Publication
Open
Efficient-ECGNet framework for COVID-19 classification and correlation prediction with the cardio disease through electrocardiogram medical imaging
Creators
- 1. University of Engineering and Technology Taxila
- 2. Riphah International University
- 3. Oakland University
- 4. Imam Mohammad ibn Saud Islamic University
Description
In the last 2 years, we have witnessed multiple waves of coronavirus that affected millions of people around the globe. The proper cure for COVID-19 has not been diagnosed as vaccinated people also got infected with this disease. Precise and timely detection of COVID-19 can save human lives and protect them from complicated treatment procedures. Researchers have employed several medical imaging modalities like CT-Scan and X-ray for COVID-19 detection, however, little concentration is invested in the ECG imaging analysis. ECGs are quickly available image modality in comparison to CT-Scan and X-ray, therefore, we use them for diagnosing COVID-19. Efficient and effective detection of COVID-19 from the ECG signal is a complex and time-taking task, as researchers usually convert them into numeric values before applying any method which ultimately increases the computational burden. In this work, we tried to overcome these challenges by directly employing the ECG images in a deep-learning (DL)-based approach. More specifically, we introduce an Efficient-ECGNet method that presents an improved version of the EfficientNetV2-B4 model with additional dense layers and is capable of accurately classifying the ECG images into healthy, COVID-19, myocardial infarction (MI), abnormal heartbeats (AHB), and patients with Previous History of Myocardial Infarction (PMI) classes. Moreover, we introduce a module to measure the similarity of COVID-19-affected ECG images with the rest of the diseases. To the best of our knowledge, this is the first effort to approximate the correlation of COVID-19 patients with those having any previous or current history of cardio or respiratory disease. Further, we generate the heatmaps to demonstrate the accurate key-points computation ability of our method. We have performed extensive experimentation on a publicly available dataset to show the robustness of the proposed approach and confirmed that the Efficient-ECGNet framework is reliable to classify the ECG-based COVID-19 samples.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
في العامين الماضيين، شهدنا موجات متعددة من فيروس كورونا التي أثرت على الملايين من الناس في جميع أنحاء العالم. لم يتم تشخيص العلاج المناسب لـ COVID -19 لأن الأشخاص الذين تم تطعيمهم أصيبوا أيضًا بهذا المرض. يمكن للكشف الدقيق وفي الوقت المناسب عن كوفيد-19 أن ينقذ الأرواح البشرية ويحميها من إجراءات العلاج المعقدة. استخدم الباحثون العديد من طرق التصوير الطبي مثل التصوير المقطعي المحوسب والأشعة السينية للكشف عن COVID -19، ومع ذلك، يتم استثمار القليل من التركيز في تحليل تصوير مخطط كهربية القلب. مخططات كهربية القلب هي طريقة صورة متاحة بسرعة بالمقارنة مع التصوير المقطعي المحوسب والأشعة السينية، لذلك نستخدمها لتشخيص كوفيد-19. يعد الكشف الفعال والفعال عن COVID -19 من إشارة مخطط كهربية القلب مهمة معقدة وتستغرق وقتًا طويلاً، حيث يقوم الباحثون عادةً بتحويلها إلى قيم رقمية قبل تطبيق أي طريقة تزيد في النهاية من العبء الحسابي. في هذا العمل، حاولنا التغلب على هذه التحديات من خلال توظيف صور مخطط كهربية القلب بشكل مباشر في نهج قائم على التعلم العميق (DL). وبشكل أكثر تحديدًا، نقدم طريقة Efficient - ECGNet التي تقدم نسخة محسنة من نموذج EfficientNetV2 - B4 مع طبقات كثيفة إضافية وقادرة على تصنيف صور مخطط كهربية القلب بدقة إلى فئات صحية، COVID -19، احتشاء عضلة القلب (MI)، ضربات القلب غير الطبيعية (AHB)، والمرضى الذين لديهم تاريخ سابق من احتشاء عضلة القلب (PMI). علاوة على ذلك، نقدم وحدة لقياس تشابه صور مخطط كهربية القلب المتأثرة بـ COVID -19 مع بقية الأمراض. على حد علمنا، هذا هو الجهد الأول لتقريب علاقة مرضى كوفيد-19 مع أولئك الذين لديهم أي تاريخ سابق أو حالي لأمراض القلب أو الجهاز التنفسي. علاوة على ذلك، نقوم بإنشاء خرائط حرارية لإثبات قدرة حساب النقاط الرئيسية الدقيقة لطريقتنا. لقد أجرينا تجارب مكثفة على مجموعة بيانات متاحة للجمهور لإظهار قوة النهج المقترح وأكدنا أن إطار عمل Efficient - ECGNet موثوق به لتصنيف عينات COVID -19 المستندة إلى ECG.Translated Description (French)
Au cours des 2 dernières années, nous avons été témoins de multiples vagues de coronavirus qui ont touché des millions de personnes dans le monde. Le remède approprié contre la COVID-19 n'a pas été diagnostiqué, car les personnes vaccinées ont également été infectées par cette maladie. Une détection précise et rapide de la COVID-19 peut sauver des vies humaines et les protéger des procédures de traitement compliquées. Les chercheurs ont utilisé plusieurs modalités d'imagerie médicale comme le CT-Scan et la radiographie pour la détection de la COVID-19, cependant, peu de concentration est investie dans l'analyse d'imagerie ECG. Les ECG sont une modalité d'image rapidement disponible par rapport au CT-Scan et aux rayons X, par conséquent, nous les utilisons pour diagnostiquer la COVID-19. La détection efficace et efficiente de la COVID-19 à partir du signal ECG est une tâche complexe et fastidieuse, car les chercheurs les convertissent généralement en valeurs numériques avant d'appliquer toute méthode qui augmente finalement la charge de calcul. Dans ce travail, nous avons essayé de surmonter ces défis en utilisant directement les images ECG dans une approche basée sur l'apprentissage profond (DL). Plus précisément, nous introduisons une méthode Efficient-ECGNet qui présente une version améliorée du modèle EfficientNetV2-B4 avec des couches denses supplémentaires et qui est capable de classer avec précision les images ECG en classes saines, COVID-19, infarctus du myocarde (IM), battements cardiaques anormaux (AHB) et patients ayant des antécédents d'infarctus du myocarde (PMI). De plus, nous introduisons un module pour mesurer la similitude des images ECG affectées par la COVID-19 avec le reste des maladies. À notre connaissance, il s'agit du premier effort visant à approximer la corrélation entre les patients atteints de COVID-19 et ceux ayant des antécédents ou des antécédents de maladie cardio-vasculaire ou respiratoire. En outre, nous générons les cartes thermiques pour démontrer la capacité de calcul précise des points clés de notre méthode. Nous avons effectué des expériences approfondies sur un ensemble de données accessibles au public pour montrer la robustesse de l'approche proposée et avons confirmé que le cadre Efficient-ECGNet est fiable pour classer les échantillons de COVID-19 basés sur l'ECG.Translated Description (Spanish)
En los últimos 2 años, hemos sido testigos de múltiples oleadas de coronavirus que afectaron a millones de personas en todo el mundo. No se ha diagnosticado la cura adecuada para la COVID-19, ya que las personas vacunadas también se infectaron con esta enfermedad. La detección precisa y oportuna de COVID-19 puede salvar vidas humanas y protegerlas de procedimientos de tratamiento complicados. Los investigadores han empleado varias modalidades de imágenes médicas como CT-Scan y rayos X para la detección de COVID-19, sin embargo, se invierte poca concentración en el análisis de imágenes de ECG. Los ECG son una modalidad de imagen disponible rápidamente en comparación con la tomografía computarizada y los rayos X, por lo tanto, los usamos para diagnosticar COVID-19. La detección eficiente y efectiva de COVID-19 a partir de la señal del ECG es una tarea compleja y que requiere mucho tiempo, ya que los investigadores generalmente los convierten en valores numéricos antes de aplicar cualquier método que, en última instancia, aumente la carga computacional. En este trabajo, intentamos superar estos desafíos empleando directamente las imágenes de ECG en un enfoque basado en el aprendizaje profundo (DL). Más específicamente, presentamos un método Efficient-ECGNet que presenta una versión mejorada del modelo EfficientNetV2-B4 con capas densas adicionales y es capaz de clasificar con precisión las imágenes de ECG en clases sanas, COVID-19, infarto de miocardio (IM), latidos cardíacos anormales (AHB) y pacientes con antecedentes de infarto de miocardio (PMI). Además, introducimos un módulo para medir la similitud de las imágenes de ECG afectadas por COVID-19 con el resto de las enfermedades. Hasta donde sabemos, este es el primer esfuerzo para aproximar la correlación de los pacientes con COVID-19 con aquellos que tienen antecedentes previos o actuales de enfermedad cardiovascular o respiratoria. Además, generamos los mapas de calor para demostrar la capacidad de cálculo preciso de puntos clave de nuestro método. Hemos realizado una amplia experimentación en un conjunto de datos disponibles públicamente para mostrar la solidez del enfoque propuesto y confirmamos que el marco Efficient-ECGNet es confiable para clasificar las muestras de COVID-19 basadas en ECG.Files
pdf.pdf
Files
(10.9 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:089ea48d9c4e82b855a261e0e88023f9
|
10.9 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- إطار عمل ECGNet الفعال لتصنيف COVID -19 والتنبؤ بالارتباط مع مرض القلب من خلال التصوير الطبي لتخطيط كهربية القلب
- Translated title (French)
- Cadre ECGNet efficace pour la classification de la COVID-19 et la prédiction de la corrélation avec la maladie cardio-vasculaire grâce à l'imagerie médicale par électrocardiogramme
- Translated title (Spanish)
- Marco ECGNet eficiente para la clasificación de COVID-19 y la predicción de la correlación con la enfermedad cardiovascular a través de imágenes médicas de electrocardiograma
Identifiers
- Other
- https://openalex.org/W4308202363
- DOI
- 10.3389/fmed.2022.1005920
References
- https://openalex.org/W2097117768
- https://openalex.org/W2142431032
- https://openalex.org/W2194775991
- https://openalex.org/W2399467634
- https://openalex.org/W2752782242
- https://openalex.org/W2963163009
- https://openalex.org/W2963446712
- https://openalex.org/W3004114601
- https://openalex.org/W3008568763
- https://openalex.org/W3012303644
- https://openalex.org/W3018651684
- https://openalex.org/W3028427008
- https://openalex.org/W3036495743
- https://openalex.org/W3045229273
- https://openalex.org/W3048123412
- https://openalex.org/W3080406710
- https://openalex.org/W3084183795
- https://openalex.org/W3090140268
- https://openalex.org/W3091978650
- https://openalex.org/W3096918659
- https://openalex.org/W3114958142
- https://openalex.org/W3118700407
- https://openalex.org/W3122453825
- https://openalex.org/W3122466891
- https://openalex.org/W3124099916
- https://openalex.org/W3127020108
- https://openalex.org/W3127181174
- https://openalex.org/W3135057287
- https://openalex.org/W3139338041
- https://openalex.org/W3139833881
- https://openalex.org/W3155009271
- https://openalex.org/W3159001838
- https://openalex.org/W3164746735
- https://openalex.org/W3166195577
- https://openalex.org/W3166806759
- https://openalex.org/W3168474540
- https://openalex.org/W3177144346
- https://openalex.org/W3202309904
- https://openalex.org/W4200525003
- https://openalex.org/W4225007555
- https://openalex.org/W4282832311