Patient identification based on unfiltered ECG using Hierarchical Temporal Memory
Translated title
Patient identifikation baseret på ufilteret EKG ved brug af Hierarkisk Temporal hukommelse
Author
Rasmussen, Rune Kongsgaard
Term
4. term
Publication year
2017
Pages
64
Abstract
Hjerte-kar-sygdomme forårsager over 17,5 millioner dødsfald om året. En udbredt test er det 12-aflednings-EKG, som måler hjertets elektriske aktivitet fra 12 vinkler. Forskning har undersøgt “grammatikken” i EKG-signaler—de tilbagevendende mønstre og regler—ikke kun til diagnosticering, men også til at identificere personer eller endda sindsstemning. Dette studie vurderede, om Hierarchical Temporal Memory (HTM), en maskinlæringsmetode der lærer tidsmæssige mønstre, automatisk kan finde og bruge denne “biometriske grammatik” til at genkende personer ud fra ufiltrerede EKG-optagelser. Data blev udvalgt som delmængder fra en EKG-database med 25.000 personer. For hver person indgik to optagelser à 10 sekunder med en samplingsfrekvens på 500 Hz. Kun afledning II (en af de standardkanaler i EKG) blev analyseret, og datasættet omfattede både raske og syge personer. En HTM-model blev konfigureret og opbygget med Numentas NuPIC-software og anvendt på delmængder med varierende antal personer og med iterationer fra 1 til 1.000. Resultaterne viste, at den højeste nøjagtighed kom ved kun 10 personer (31,3 %). Nøjagtigheden faldt kraftigt, når antallet af personer steg, og nåede 0,07 % ved 1.250 personer. At øge antallet af iterationer havde ingen effekt på nøjagtigheden. Det kunne ikke afgøres, om resultaterne skyldtes begrænset variation mellem personers EKG eller den konkrete HTM-konfiguration. Softwareforfatterne tilbyder nu værktøjer, som kan være et logisk næste skridt til at forbedre resultaterne.
Cardiovascular diseases cause over 17.5 million deaths each year. A common test is the 12-lead electrocardiogram (ECG), which records the heart’s electrical activity from 12 angles. Research has explored the “grammar” of ECG signals—the recurring patterns and rules—not only for diagnosis but also for identifying individuals or even mood. This study evaluated whether Hierarchical Temporal Memory (HTM), a machine-learning method that learns temporal patterns, could automatically discover and use this “biometric grammar” to recognize people from unfiltered ECG recordings. Data subsets were drawn from an ECG database of 25,000 subjects. For each subject, two 10-second recordings sampled at 500 Hz were included. Only Lead II (one of the standard ECG channels) was analyzed, and the dataset contained both healthy and unhealthy subjects. An HTM model was configured using Numenta’s NuPIC software and applied to subsets with varying numbers of subjects and iteration counts from 1 to 1,000. Results showed that the highest accuracy occurred with only 10 subjects (31.3%). Accuracy dropped sharply as the number of subjects increased, reaching 0.07% with 1,250 subjects. Increasing the number of iterations had no effect on accuracy. It could not be determined whether these outcomes were due to limited inter-subject variability in ECGs or the specific HTM configuration. The software authors now provide tools that may be a logical next step toward improving the results.
[This abstract was generated with the help of AI]
Keywords
ECG ; HTM ; Machine learning ; AI ; EKG ; Hierarchical temporal memory ; memory
Documents