Фото экг 5 а: схема, технические характеристики, фото и видео

схема, технические характеристики, фото и видео

Экскаваторы представляют собой машины на гусеничном ходу с поворотной платформой. Аббревиатура ЭКГ означает экскаватор карьерный гусеничный. Цифровое обозначение модели — это показатель вместимости ковша, а буквенное добавление характеризует модификацию или производителя.

Содержание

• 1 Область использования экскаваторов ЭКГ-5А
• 2 Основные элементы и основа работы механизма
• 3 Общие и частные параметры
  • 3.1 Технические параметры двигателей
  • 3.2 Параметры канатов
  • 3.3 Электрическое оборудование
• 4 Конструктивные особенности
• 5 Модификации

Область использования экскаваторов ЭКГ-5А

Данные мощные машины используются преимущество в добывающей и перерабатывающей промышленности.

Они незаменимы для копания грунта и твердых фракций, полезных ископаемых. Экскаваторы — спутники горной деятельности, металлургии, добычи угля и строительной отрасли.

Несмотря на свою мощность, машины ЭКГ-5А обладают динамичной управляемостью, а их обслуживание и сервис не доставляет особых хлопот.

Среди производителей экскаваторов ЭКГ-5А ведущие позиции занимают:

• ЗАО «Горные машины»;
• АО «Уралмаш»;
• АО «Ижорские заводы».

Основные элементы и основа работы механизма

Механизм ЭКГ-5А включает основные функциональные элементы:

• двуногая стойка;
• стрела;
• система открывания ковша;
• ковш;
• рукоятка ковша.

Составными частями ковша являются передняя и задняя стенка, дно, коромысло и блок. При производстве ковша применяется высокопрочная сталь. Его корпус с помощью пальцев сопряжён с дном и коромыслом. Стальная рукоятка посредством соединения переходит в стрелу, на которой установлена напорная система, блоки и лебёдка.

Стрела базируется на поворотной платформе. Именно на ней расположен механизм динамики, электрическая система, кузовные и стоечные части. Венчает этот комплекс кабина водителя. Далее рассмотрим технические характеристики экскаватора ЭКГ-5А.

Фото карьерного экскаватора на гусеничном ходу ЭКГ-5А

Общие и частные параметры

Общие параметры

Параметры	Значение
Вместимость ковша, м3	5, 2
Радиус черпания, м	14, 5
Высота черпания, м	10,3
Просвет под поворотной платформой, м	1, 85
Рабочая масса, т	196

Параметры ковша

Масса, т	9, 935
Длина, м	2, 45
Ширина, м	2, 19
Высота, м	2, 56

Характеристики рукоятки ковша

Масса, т	7, 95
Длина, м	7, 915
Ширина, м	1, 774

Параметры стойки

Масса, т	3, 48
Длина, м	6, 45
Ширина, м	1, 4

Параметры поворотной платформы

масса, т	18, 9
Длина, м	8, 1
Ширина, м	5, 0
Высота, м	1, 2

Характеристики нижней и гусеничной рамы

Показатель	Нижняя рама	Гусеничная рама
Масса, т	10, 5	5, 45
Длина, м	3, 0	5, 5
Ширина, м	3, 0	0, 75
Высота, м	1, 68	1,0

Параметры кабины

Масса, т	1,1
Длина, м	2, 36
Ширина, м	1, 35
Высота, м	2, 76

Технические параметры двигателей

Сетевой двигатель является сердцем всего механизма экскаватора. Он обладает мощностью в 250 кВт, а его масса составляет более 2 тонн. Кроме сетевого двигателя, который представлен моделью Аг-М, экскаватор снабжён ещё тремя движущими узлами.

Двигатель хода и напора

Масса, т	0, 86
Длина, м	1, 28
Ширина, м	0, 59

Двигатель поворота

Масса, т	0, 93
Длина, м	1, 32
Ширина, м	0, 57

 

Двигатель подъёма

Масса, т	3, 5
Длина, м	1 ,85
Ширина, м	0 ,96

 

Параметры канатов

В экскаваторе ЭКГ-5А присутствуют канаты, которые работают по трём направлениям.

Назначение каната	Диаметр, мм	Длина, м	Разрывное усилие, кгс
Подъем ковша	39, 5	58	94623
Подъем стрелы	30	125	57 300
Открывание дна ковша	11, 15	10, 5	6255

 

Электрическое оборудование

Питание и работа механизмов системы осуществляется от высоковольтной точки.

За полчаса непрерывной деятельности ЭКГ-5А потребляет электроэнергии от 250 до 275 кВт.

В работе экскаватора применяются два вида кабеля:

• КШВГ-3 х 16 + 1 х 6;
• КШВГ-Т — 3 х 25 +1 х 10.

Источником управления электродвигателя служит распределительное устройство, которое снабжено:

• выключателем, выдерживающим силу тока до 1.25 А;
• ручным приводом;
• предохранителем на 8 и 16 А.

Схема электрического оборудования экскаватора ЭКГ-5А

В целях безопасности экскаватор ЭКГ-5А имеет надежную систему заземления.

Оно проводится по контуру через специальную жилу. Стабильную и сбалансированную работу обеспечивают соответствующие блоки и узлы.

Конструктивные особенности

Владельцы и производители экскаваторов единогласно отмечают следующие особенности модели и модификаций:

• высокая эффективность при работе с большими кусками твёрдой породы;
• цельносварная стрела обладает особой прочностью;
• канат для подъёма ковша имеет автоматическое выравнивание;
• автоматически открывающееся дно позволяет избежать контакт ковша и рукоятки;
• гусеницы открытого типа имеют широкое расстояние, через которое легко производить ремонт и диагностику механизмов;
• элементы и узлы, которые подвергаются особой нагрузке, выполнены из прочной легированной стали;
• экономию времени и денег обеспечивает автоматическая подача смазочных материалов.

Модификации

Экскаватор ЭКГ-5А поставляется в рыночную сеть в трёх модификациях:

• машины ЭКГ-5В;
• экскаваторы ЭКГ- 5Д;
• механизмы ЭКГ-5А-УС.

Технические характеристики

Технические характеристики	ЭКГ-5В	ЭКГ-5Д	ЭКГ-5А-УС
Вместимость ковша, м3	5	4,6 — 6,3	4, 6
Радиус черпания, м	14, 5	14, 5	15, 5
Высота выгрузки, м	6, 5	6, 7	5, 9
Радиус выгрузки, м	12, 65	12, 65	13, 7
Просвет под поворотной платформой, м	1, 89	1, 89	1, 85
Длина гусеничного хода, м	5 ,83	5, 83	5, 83
Ширина гусеничной ленты, мм	900/1100/1400	900/1100	900/1100
Скорость, км/час	0, 55	0, 55	0, 55
Рабочая масса, т	207	195	211
Мощность сетевого двигателя, кВт	250	—	250

Поделиться:

Понравилась статья? Ставьте лайки, делитесь с друзьями и следите за обновлениями в В Контакте, Одноклассниках, Facebook, Google Plus, Twitter,

Подписывайтесь на обновления по E-mail:

Или подписывайтесь на обновление по E-mail:

Экскаватор ЭКГ-5А

Главная » Экскаваторы

Экскаваторы

Экскаватор ЭКГ-5А – Электрическая карьерная гусеничная спецтехника, с помощью которой добываются полезные ископаемые и породы; сопровождается этот процесс выемкой и погрузкой взрыхленной взрывом породы в транспортные средства. Он используется в работах, производимых предприятиями горнодобывающей, рудной и угольной отраслей промышленности, а также в карьерах по добыче строительных материалов (щебня, ракушняка, песка), в строительстве промышленных, гидротехнических и других сооружений.

Серийно ЭКГ-5А выпускаются с 1980 года и по настоящее время, являясь одним из самых распространенным карьерным экскаватором на территории бывшего СССР. Эта модель была создана в результате усовершенствования ЭКГ- 4.6Б на заводе Уралтяжмаш.

Главные механизмы экскаватора, обеспечивающие подъемы, повороты, а также механизм открывания ковша движутся благодаря двигателям постоянного тока, питающимся от генераторов преобразовательного агрегата, а движение вспомогательных механизмов осуществляется двигателями переменного тока, получаемого от понижающего трансформатора. Легированная сталь – материал, из которого изготовлены основные металлоконструкции экскаватора; стрела и рукоять выполнены из высокопрочной стали. Клиновые крепления зубьев сварно-литого ковша самозатягивающиеся. Ремонтно-монтажные работы техники облегчены за счет наличия стрелоподъемной лебедки. Объем топливного бака 380л предполагает беспрерывную работу техники на протяжении 24 часов.

Съемные панели кровли кузова позволяют производить ремонтно-монтажные работы механизмов, расположенных на платформе. Оптимально удобно расположенные основные элементы экскаватора находятся в свободном доступе к ним, что, в свою очередь, способствует беспрепятственному осуществлению монтажных, демонтажных и ремонтных работ. Взаимозаменяемость и блочная конструкцию большинства механизмов экскаватора ЭКГ-5А позволяет применять агрегатно-узловой способ ремонта. Будучи тяжеловесным и крупногабаритным грузом, экскаваторы ЭКГ-5А перевозятся специальными автотранспортными средствами или транспортерами по железной дороге.

Содержание

1. Технические характеристики
2. Видео обзор
3. Фото

Технические характеристики

Емкость основного ковша лопаты, м3	5,2
Емкость сменных ковшей, м3	3,2; 4,6; 6,3; 7
Напряжение питающей сети, кВт	3; 3,3; 6; 6,6
Тип электропривода	Г-Д с МУ
Мощность сетевого двигателя, кВт	250
Наибольший преодолеваемый уклон пути, град.	12
Расч. продолжительность раб. цикла на угол 90°, сек.	23
Скорость передвижения, км/ч	0,55
Масса рабочая, т	195

Видео обзор

Фото

Глубокое обучение на основе изображений при диагностике ЭКГ по 12 отведениям

1. Введение

Электрокардиограмма (ЭКГ) является важным инструментом диагностики сердечно-сосудистых заболеваний, которые являются основной причиной смерти во всем мире (Collaborators GBDCoD, 2018). По мере того, как ЭКГ перешли от аналоговых к цифровым, автоматический компьютерный анализ получил распространение и успех в диагностике заболеваний (Willems et al., 1987; Schlapfer and Wellens, 2017). Методы глубокого обучения продемонстрировали превосходную диагностическую эффективность при классификации диагнозов ЭКГ с использованием данных сигналов, даже превзойдя в некоторых исследованиях эффективность отдельных кардиологов. Например, в одном исследовании, в котором использовались необработанные данные ЭКГ, была создана глубокая нейронная сеть (DNN), которая работала аналогично или лучше, чем средние показатели отдельных кардиологов при классификации 12 различных ритмов, включая фибрилляцию/трепетание предсердий, атриовентрикулярную блокаду, узловой ритм и над/желудочковую тахикардию на ЭКГ в одном отведении (Hannun et al., 2019).). В других исследованиях использовались данные о сигналах ЭКГ в 12 отведениях с отличными результатами в классификации аритмий (Baek et al., 2021).

Хотя автоматическая диагностика ЭКГ дает большие надежды в улучшении рабочего процесса, многие разработанные модели были сосредоточены на диагностике отдельных клинических патологий, что ограничивает полезность, поскольку ЭКГ может иметь несколько отклонений одновременно (Biton et al. , 2021; Raghunath et al., 2021). Кроме того, большинство инструментов основаны на анализе необработанных данных сигналов (Ханнун и др., 2019 г.).; Хьюз и др., 2021 г.; Сангха и др., 2022). Это представляет собой проблему для моделей во многих областях клинической практики, где ЭКГ распечатываются на бумаге или доступны только цифровые изображения, особенно в удаленных и региональных условиях, где зачастую отсутствует доступ к специализированному медицинскому заключению (Schopfer, 2021). В таких областях лучше всего подходят модели глубокого обучения на основе изображений для распознавания ЭКГ, из которых в литературе мало исследований. В одном исследовании была разработана модель, основанная на изображениях, для дифференциации нормальных и аномальных ЭКГ, в то время как в другом было достигнуто 9Средняя точность 9,05 % и средняя чувствительность 97,85 % для 7 сердечных заболеваний на основе анализа отдельных сокращений ЭКГ (Jun et al., 2018). В недавней статье была создана модель, превосходящая визуализацию на основе сигнала, с достижением площади под полученной кривой (AUROC) 0,99 и площади под кривой Precision-Recall (AUPRC) 0,86 для 6 клинических расстройств (Sangha et al. , 2022).

Насколько нам известно, это исследование является первым для обучения сверточной нейронной сети (CNN), способной классифицировать необработанные изображения ЭКГ в 12 отведениях для 10 патологий. Метод, использованный в этом эксперименте, отличается от большинства других исследований тем, что данные изображения ЭКГ напрямую используются для обучения и тестирования моделей глубокого обучения, а не для необработанных данных сигнала или преобразований данных сигнала.

2. Материалы и методы

2.1. Наборы данных

Основным набором данных, использованным для разработки и оценки модели, был PTB-XL. Мы также проверили внешнюю валидность моделей на разных невидимых наборах данных, а также на разных наборах данных в комбинации.

Были использованы следующие общедоступные наборы данных ЭКГ:

• PTB-XL (PTB) (Wagner et al., 2020).

• База данных CPSC 2018 (CPSC) (Liu et al., 2018).

• База данных ЭКГ по 12 отведениям для исследования аритмии из Университета Чепмена и Шаосинской народной больницы (Шаосин) (Zheng et al. , 2020).

• Набор тестовых данных для: Автоматическая диагностика ЭКГ с несколькими метками нарушений импульса или проводимости у пациентов с алгоритмом глубокого обучения: когортное исследование (Тунцзи) (Zhu et al., 2020).

Каждый набор данных содержал необработанные 10-секундные данные сигнала ЭКГ в 12 отведениях с соответствующими диагностическими метками.

2.2. Предварительная обработка данных

Для каждого отдельного образца ЭКГ было создано изображение путем построения графика данных сигнала. Мы использовали библиотеку графиков ЭКГ Python (dy1901, 2022), которая генерирует изображения ЭКГ в 12 отведениях, напоминающие дисплеи и распечатки ЭКГ, обычно используемые в клинической практике. Пример показан на рис. 1. Изображения обрабатывались с разрешением 1600 × 512.

Рисунок 1 . Пример изображения ЭКГ, сгенерированного из данных сигнала одного образца в наборе данных.

Затем изображения были преобразованы в оттенки серого, а затем бинаризированы с использованием простой пороговой обработки, пороговой обработки Оцу и адаптивной пороговой обработки. Двоичная копия была сохранена для каждого из методов пороговой обработки. Для дальнейшего увеличения данных было создано слегка размытое изображение в градациях серого, а также были применены вышеупомянутые методы пороговой обработки. Всего было создано восемь дополненных копий каждого исходного изображения ЭКГ. Пример изображения после преобразования в градации серого и адаптивной пороговой обработки показан на рис. 2.

Рисунок 2 . Пример изображения ЭКГ после преобразования в оттенки серого и адаптивной пороговой обработки.

2.3. Обзор задачи классификации

Модели бинарной классификации были обучены предсказывать наличие и отсутствие:

• Нормальная ЭКГ (НОРМ).

• Блокада левой ножки пучка Гиса (БЛНПГ).

• Блокада правой ножки пучка Гиса (БПНПГ).

• Мерцательная аритмия (AFIB).

• Трепетание предсердий (AFLT).

• АВ-блокада первой степени (fAVB).

• Инфаркт миокарда (ИМ).

• Вольф-Паркинсон Уайт (WPW).

• Наджелудочковая тахикардия.

Модели были обучены с использованием набора данных PTB-XL и оценены на данных тестов удержания из PTB-XL (таблица 1). Кроме того, модели также тестировались на изображениях ЭКГ из других наборов данных, не участвующих в обучении. Дальнейшее тестирование было проведено на комбинированных наборах данных, где присутствовали совпадающие диагностические метки (таблица 2).

Таблица 1 . Результаты испытаний моделей, обученных на ЭКГ PTB-XL и протестированных на тестовом наборе от PTB-XL.

Таблица 2 . Результаты тестирования моделей, обученных на комбинированных наборах данных и проверенных на удерживаемых данных из комбинированных наборов данных.

Для каждого цикла обучения включенные образцы из всех наборов данных случайным образом перемешивались и разделялись на наборы для обучения, проверки и проверки с разделением 0,8, 0,1 и 0,1 соответственно.

2.4. Архитектура модели и обучение

Модель построена на архитектуре VGG16 с предварительно обученными весами Imagenet. Исходный классификационный слой был удален и заменен заголовком классификации, состоящим из 2D-слоя глобального среднего пула, выпадающего слоя для обучения, за которым следует полностью связанный слой с одним выходом и сигмовидной активацией.

Классификационная голова была изначально обучена до 10 эпох с ранней остановкой, тогда как все остальные слои были заморожены. Затем вся модель была разморожена и обучена до тех пор, пока не перестанет наблюдаться дальнейшее снижение потерь при проверке (ранняя остановка с терпением 6). Скорость обучения составила 1 × 10 ^∧ -5. График скорости обучения, предусматривающий снижение скорости обучения, когда потери при проверке выходят на плато, был опробован без значительного улучшения результатов. Для большинства обучающих примеров использовалась бинарная кросс-энтропийная потеря. Мы также экспериментировали с фокальными потерями для сильно несбалансированных наборов данных.

3. Результаты

Модели продемонстрировали хорошую производительность при тестировании на невидимых контрольных данных из исходных наборов данных, использованных при обучении. Обобщение невидимых внешних наборов данных было хуже. Производительность моделей, обученных на комбинации разных наборов данных, смешанных вместе, показала хорошую производительность на тестовых разбиениях, содержащих смешанные наборы данных. Результаты суммированы в таблице ниже.

3.1. Наглядное объяснение

Gradient-weighted Class Activation Mapping (Grad-CAM) создает тепловую карту для визуализации областей изображения, которые важны для прогнозирования его класса. Несколько примеров проиллюстрированы ниже: на рис. 3 показаны дельта-зубцы в WPW, на рис. 4 показаны изменения сегмента ST при ИМ, а на рис. 5 выделены глубокие широкие зубцы S в V1 при БЛНПГ.

Рисунок 3 . Пример тепловой карты активации для ЭКГ, показывающей WPW.

Рисунок 4 . Пример тепловой карты активации для ЭКГ, показывающей инфаркт миокарда.

Рисунок 5 . Пример тепловой карты активации для ЭКГ, показывающей БЛНПГ.

4. Обсуждение

Наша модель продемонстрировала высокую диагностическую эффективность на невидимых ЭКГ, взятых из той же популяции (групп) и набора данных, которые использовались для обучения модели. Этот высокий уровень внутренней достоверности был отражен в литературе из предыдущих моделей, основанных на компьютерном зрении (Mohamed et al., 2015; Jun et al., 2018; Sangha et al., 2022). Джун и др. с помощью двухмерной CNN обнаружили разные отдельные сокращения ЭКГ для изучения 7 уникальных сердечных аритмий, в то время как Sangha et al. создал модель, основанную на архитектуре Efficientnet B3, для изучения 6 расстройств с эквивалентной превосходной производительностью по сравнению с методами, основанными на сигналах. Для сравнения, наша модель исследовала до 13 диагнозов, была построена на комбинациях наборов данных и оценивала больше наборов данных при проверке внешней валидности. Таблица 3 показывает, что результаты этой модели были сопоставимы с другими недавними исследованиями на основе изображений и работой на основе сигналов ЭКГ в 12 отведениях. Кроме того, некоторые из наиболее точных моделей, основанных на сигналах одной патологии, например, для фибрилляции предсердий, имеют результаты, сопоставимые с результатами этого исследования (AUROC 0,9). 97 против 1 и чувствительность от 0,985 до 0,992) (Jo et al., 2021). Демонстрируя сопоставимую точность, это исследование лучше, чем несколько исследований на основе сигналов в литературе, посвященных отдельным патологиям или отдельным отведениям, которые, следовательно, ограничены показаниями 12 отведений, а также ЭКГ с множественными патологиями (Javadi et al., 2013; Biton et al., 2021; Raghunath et al., 2021).

Таблица 3 . Сравнение алгоритмов распознавания ЭКГ на основе изображения и сигнала.

Большим преимуществом нашей модели является то, что современные инструменты глубокого обучения в основном полагаются на данные сигналов, которые не были оптимизированы для условий с более низкими ресурсами, таких как сельская и удаленная среда. Подавляющее большинство ЭКГ в современной практике либо распечатываются, либо сканируются в виде изображений, что ограничивает полезность моделей на основе сигналов. Кроме того, хотя многие модели были разработаны для точного выявления отдельных нарушений, ЭКГ с множественными сопутствующими отклонениями представляет собой проблему. Кроме того, модель также демонстрирует стабильную и превосходную производительность по сравнению с предыдущими исследованиями на основе изображений при определении пола пациентов по ЭКГ как из внутренних, так и из внешних наборов данных, предполагая, что скрытые функции могут быть точно распознаны, как показано в моделях на основе сигналов (Attia et al., 2019).; Ким и Пьюн, 2020 г.). Это дает большие надежды, поскольку данные ЭКГ все чаще собираются вместе с другими наблюдениями и показателями жизнедеятельности, которые могут использоваться с помощью алгоритмов .

Наша модель включала использование Gradient-weighted Class Activation Mapping (Grad-CAM) для выделения областей на изображении, предсказывающих данную метку. Это также позволило оценить, идентифицировали ли присвоенные метки клинически значимую информацию или они были основаны на эвристике на основе ложных данных (DeGrave et al., 2020). Мы обнаружили большое соответствие с особенностями, используемыми при интерпретации ЭКГ человеком. Например, Grad-CAM выделяет дельта-зубцы при WPW (рис. 3), изменения сегмента ST при ИМ (рис. 4), глубокие широкие зубцы S в V1 при БЛНПГ (рис. 5), удлиненные сегменты PR при АВ-блокаде 1-й степени (рис. 6) и QRS без зубцов P при ФП и. В некоторых случаях это было менее связано с диагнозом человека, например, выделение области после эктопического сокращения, а не аномально больших комплексов QRS, которые обычно выделялись бы людьми-интерпретаторами. Это произошло в небольшом проценте случаев, и их можно улучшить, используя больше обучения модели для различных наборов данных или интегрируя другие технологии, такие как HiResCAM (Draelos and Carin, 2020). В приложении, представляя тепловую карту, он предоставляет контекст и доказательства, демонстрирующие, как был поставлен диагноз. Это позволяет клиницисту принять визуально обоснованное решение о диагнозе алгоритма, способствуя потенциально лучшей интеграции в рутинную клиническую практику (Makimoto et al., 2020).

Рисунок 6 . Пример тепловой карты активации для ЭКГ, показывающей АВ-блокаду первой степени.

Что касается вычислительной сложности, в нашем исследовании использовались спецификации ПК с процессором Ryzen 9 5900x, RTX 3080 и 3080 Ti и 64 ГБ ОЗУ под управлением Linux Mint. Время обучения заняло от 18 до 36 часов для точной настройки VGG 16 для бинарной классификации каждой метки диагноза в отдельности, пока не было остановлено обратным вызовом с ранней остановкой на основе проверки плато AUROC. Время вывода находилось в диапазоне 3–5 с на диагностическую метку для каждого изображения. Хотя ранее об этом не сообщалось в исследованиях алгоритмов на основе изображений, он демонстрирует, что, хотя обучение модели может занимать относительно много времени для обучения, результат достигается своевременно. Ранее было показано, что компьютеризированная интерпретация ЭКГ сокращает время анализа, и такие результаты подчеркивают потенциал для включения алгоритмов компьютерного зрения в рутинную клиническую помощь в качестве дополнения к диагностике и принятию решений (Schlapfer and Wellens, 2017).

4.1. Будущая работа и ограничения

Модели были не такими точными при применении невидимых внешних наборов данных — это может быть связано с различиями в критериях маркировки диагнозов между наборами данных или различиями в качестве ЭКГ. Тем не менее, некоторые диагностические метки были точно классифицированы с невидимыми внешними наборами данных (например, БЛНПГ, БПНПГ и WPW), как показано в таблице 4, которая показывает, что эта технология может быть полезна для невидимых наборов данных, учитывая достаточное количество обучающих данных и более последовательную маркировку обучающих данных. Точность можно улучшить с помощью дополнительных шагов предварительной обработки, таких как перетасовка позиций разных отведений на изображении, чтобы помочь модели изучить релевантность разных отведений, и включение еще большего количества различных независимых наборов данных. Мы также могли бы изучить эффект добавления дополнительной клинической информации, известной клиницистам во время интерпретации ЭКГ, такой как возраст, пол, вес и рост, и оценить точность таких данных, а алгоритмы на основе изображений могли бы укрепить модели стратификации заболевания. Комбинация архитектур между документами может дополнительно обеспечить превосходные результаты.

Таблица 4 . Результаты тестирования моделей, протестированных на отдельных невидимых наборах данных, отличных от используемых в обучении.

5. Заключение

Это исследование демонстрирует, что модели компьютерного зрения с искусственным интеллектом могут с хорошей точностью диагностировать состояния на ЭКГ. Будущие исследования, которые могут приблизить эту технологию к клиническому применению, могут быть сосредоточены на разработке моделей, которые могут обобщать широкий спектр форматов изображений ЭКГ из различных источников и охватывать более широкий спектр соответствующих клинических диагнозов. Дополнительные диагнозы, представляющие клинический интерес, включают диагностику ИМпST у пациентов с БЛНПГ или кардиостимулятором, дифференциацию СВТ с аберрацией и ЖТ, а также специфические подтипы АВ-блокады. Кроме того, модели могут быть разработаны для применения к различным форматам или стилям ЭКГ. Продемонстрированные здесь методы также могут быть применены для новых практических приложений, таких как приложения для смартфонов для диагностики фотографий ЭКГ или в телездравоохранении. В целом, эффективность классификации изображений ЭКГ с использованием глубоких CNN сравнима с лучшими моделями, использующими необработанные данные теста удержания сигнала ЭКГ из того же набора данных.

Заявление о наличии данных

Первоначальные материалы, представленные в исследовании, включены в статью/дополнительный материал, дальнейшие запросы можно направлять соответствующему автору.

Заявление об этике

Этическая экспертиза и одобрение не требовались для исследования с участием людей в соответствии с местным законодательством и институциональными требованиями. Письменное информированное согласие на участие в этом исследовании не требовалось в соответствии с национальным законодательством и институциональными требованиями.

Вклад автора

RA участвовал в обработке данных, обучении и оценке моделей машинного обучения. GH участвовал в обзоре литературы и редактировании. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Примечание издателя

Все претензии, изложенные в этой статье, принадлежат исключительно авторам и не обязательно представляют претензии их дочерних организаций или издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензии, которые могут быть сделаны его производителем, не гарантируются и не поддерживаются издателем.

Ссылки

Attia, Z.I., Friedman, P.A., Noseworthy, P.A., Lopez-Jimenez, F., Ladewig, D.J., Satam, G., et al. (2019). Оценка возраста и пола с использованием искусственного интеллекта по стандартным ЭКГ в 12 отведениях. Обр. Аритмия. Электрофизиол . 12, e007284. doi: 10.1161/CIRCEP.119.007284

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Бэк, Ю.С., Ли, С.К., Чой, В., и Ким, Д.Х. (2021). Новый алгоритм глубокого обучения электрокардиограммы в 12 отведениях для выявления мерцательной аритмии при синусовом ритме. Науч. Реп . 11,12818. doi: 10.1038/s41598-021-92172-5

Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

Битон С., Гендельман С., Рибейро А. Х., Миана Г., Морейра С., Рибейро А. Л. П. и др. (2021). Прогнозирование риска фибрилляции предсердий по электрокардиограмме в 12 отведениях с использованием цифровых биомаркеров и глубокого репрезентативного обучения. евро. Сердце Ж.-цифр. Здоровье . 2, 576–585. дои: 10.1093/ehjdh/ztab071

Полнотекстовая перекрестная ссылка | Google Scholar

Соавторы GBDCoD (2018). Глобальная, региональная и национальная возрастно-половая смертность по 282 причинам смерти в 19 странах мира.5 стран и территорий, 1980–2017 гг. : систематический анализ для исследования глобального бремени болезней, 2017 г. Lancet . 392, 1736–1788 гг. doi: 10.1016/S0140-6736(18)32203-7

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

ДеГрейв, А. Дж., Янизек, Дж. Д., и Ли, С. И. (2020). ИИ для радиографического обнаружения COVID-19 выбирает ярлыки вместо сигнала. medRxiv . doi: 10.1101/2020.09.13.20193565

PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

Драэлос, Р., и Карин, Л. (2020). Используйте HiResCAM вместо Grad-CAM для точного объяснения сверточных нейронных сетей. архив .

Google Scholar

dy1901 (2022). График ЭКГ. Справочное руководство по Python 3, Scotts Valley, CA: CreateSpace. (2019). Обнаружение и классификация аритмий на уровне кардиолога на амбулаторных электрокардиограммах с использованием глубокой нейронной сети. Нац. Мед . 25, 65–69. doi: 10.1038/s41591-018-0268-3

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Хьюз Дж. В., Ольгин Дж. Э., Аврам Р., Абро С. А., Ситтлер Т., Радиа К. и др. (2021). Производительность сверточной нейронной сети и метод объяснимости для интерпретации электрокардиограммы в 12 отведениях. JAMA Кардиол . 6, 1285–1295. doi: 10.1001/jamacardio.2021.2746

PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

Джавади М., Арани С.А.А.А., Сайедин А. и Эбрахимпур Р. (2013). Классификация аритмии ЭКГ модульной нейронной сетью на основе сочетания экспертов и обучения с отрицательной корреляцией. Биомед. Сигнальный процесс. Контроль . 8, 289–296. doi: 10.1016/j.bspc.2012.10.005

Полнотекстовая перекрестная ссылка | Google Scholar

Джо, Ю.Ю., Чо, Ю., Ли, С.Ю., Квон, Дж.М., Ким, К.Х., Чон, К.Х., и др. (2021). Объяснимый искусственный интеллект для обнаружения мерцательной аритмии с помощью электрокардиограммы. Междунар. Дж. Кардиол . 328, 104–110. doi: 10.1016/j.ijcard.2020.11.053

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Джун Т. , Нгуен Х., Канг Д., Ким Д., Ким Д., Ким Х. и др. (2018). Классификация аритмий на ЭКГ с использованием двумерной сверточной нейронной сети . архив

Реферат PubMed | Google Scholar

Ким Б.Х. и Пьюн Дж.Ю. (2020). Идентификация ЭКГ для личной аутентификации с использованием глубоких рекуррентных нейронных сетей на основе LSTM. Датчики . 20, 3069. doi: 10.3390/s20113069

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Лю Ф., Лю К., Чжао Л., Чжан X., Ву X., Сюй X. и др. (2018). База данных открытого доступа для оценки алгоритмов выявления нарушений ритма и морфологии электрокардиограммы. J. Med. Информация о визуализации и здоровье . 8, 1368–1373. дои: 10.1166/jmihi.2018.2442

Полнотекстовая перекрестная ссылка | Google Scholar

Макимото Х., Хёкманн М., Лин Т., Глекнер Д., Гергури С., Клазен Л. и др. (2020). Производительность сверточной нейронной сети, полученной из базы данных ЭКГ, при распознавании инфаркта миокарда. Науч. Реп . 10, 8445. doi: 10.1038/s41598-020-65105-x

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Мохамед Б., Иссам А., Мохамед А. и Абдельлатиф Б. (2015). Классификация изображений ЭКГ в режиме реального времени на основе хаар-подобных признаков и искусственных нейронных сетей. Вычисл. науч. 73, 32–39. doi: 10.1016/j.procs.2015.12.045

Полнотекстовая перекрестная ссылка | Google Scholar

Рагунат С., Пфайфер Дж. М., Уллоа-Черна А. Э., Немани А., Карбонати Т., Цзин Л. и др. (2021). Глубокие нейронные сети могут предсказать впервые возникшую мерцательную аритмию по ЭКГ в 12 отведениях и помочь выявить тех, у кого есть риск развития инсульта, связанного с мерцательной аритмией. Тираж . 143, 1287–1298. doi: 10.1161/CIRCULATIONAHA.120.047829

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Рибейро А. Х., Рибейро М. Х., Пайшао Г. М. М., Оливейра Д. М., Гомес П. Р., Каназарт Дж. А. и др. (2020). Автоматическая диагностика ЭКГ в 12 отведениях с использованием глубокой нейронной сети. Нац. Коммуна . 11, 1760. doi: 10.1038/s41467-020-15432-4

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Сангха В., Мортазави Б. Дж., Хаймович А. Д., Рибейро А. Х., Брандт К. А., Якоби Д. Л. и др. (2022). Автоматизированная многокомпонентная диагностика по электрокардиографическим изображениям и сигналам. Нац. Коммуна . 13, 1583. doi: 10.1038/s41467-022-29153-3

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Шлапфер, Дж., и Велленс, Х. Дж. (2017). Электрокардиограммы, интерпретированные компьютером: преимущества и ограничения. Дж. Ам. Сб. Кардиол . 70, 1183–1192. doi: 10.1016/j.jacc.2017.07.723

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Schopfer, DW (2021). Неравенство здоровья в сельской местности при хронических сердечных заболеваниях. Пред. Мед . 152 (Pt 2), 106782. doi: 10.1016/j.ypmed.2021.106782

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Вагнер П., Стродтхофф Н., Буссельот Р.-Д., Крайселер Д., Лунце Ф. И., Самек В. и др. (2020). PTB-XL, большой общедоступный набор данных электрокардиографии. Научные данные . 7, 154. doi: 10.1038/s41597-020-0495-6

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Виллемс Дж. Л., Абреу-Лима К., Арно П., ван Беммель Дж. Х., Брохет К., Дегани Р. и др. (1987). Тестирование производительности компьютерных программ ЭКГ: экспериментальное диагностическое исследование CSE. J. Электрокардиол . 20 (Приложение): 73–77.

Реферат PubMed | Google Scholar

Чжэн Дж., Чжан Дж., Даниоко С., Яо Х., Го Х. и Раковски К. (2020). База данных электрокардиограмм с 12 отведениями для исследования аритмий, охватывающая более 10 000 пациентов. Научные данные . 7, 48. doi: 10.1038/s41597-020-0386-x

PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

Zhu, H. , Cheng, C., Yin, H., Li, X., Zuo, P., Ding, J., et al. (2020). Автоматическая многокомпонентная электрокардиограмма, диагностирующая аномалии сердечного ритма или проводимости с помощью глубокого обучения: когортное исследование. Ланцетная цифра. Здоровье . 2, е348–е357. doi: 10.1016/S2589-7500(20)30107-2

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Запись электрокардиограммы с помощью приложения ЭКГ на Apple Watch

watchOS 9

watchOS 8

watchOS 7

watchOS 6

Выберите версию:

смотреть ОС 9 смотреть ОС 8 смотретьОС 7 смотретьОС 6

Изменение этого элемента управления приведет к автоматическому обновлению этой страницы

Искать в этом руководстве

• Добро пожаловать
• • Ваши Apple Watch
  • Начать
  • Оставайтесь в форме с Apple Watch
  • Отслеживайте важную информацию о здоровье с помощью Apple Watch
  • Оставайтесь на связи с Apple Watch
• Что нового
• • Жесты Apple Watch
  • Настройка и сопряжение Apple Watch с iPhone
  • Приложение Apple Watch
  • Зарядка Apple Watch
  • Включите и разбудите Apple Watch
  • Блокировка или разблокировка Apple Watch
  • Изменение языка и ориентации на Apple Watch
  • Снимайте, меняйте и закрепляйте ремешки Apple Watch
• • Настройка Apple Watch члена семьи
  • Начать обучение в школе
  • Воспроизводить музыку
  • Добавляйте и воспроизводите подкасты
  • Просмотр отчетов о состоянии и активности
  • Используйте семейство Apple Cash
• • Приложения на Apple Watch
  • Открытые приложения
  • Организуйте приложения
  • Получить больше приложений
  • Скажи время
  • Значки состояния
  • Центр управления
  • Использовать фокус
  • Отрегулируйте яркость, размер текста, звуки и тактильные ощущения
  • Просматривайте уведомления и отвечайте на них
  • Изменить настройки уведомлений
  • Управление Apple ID
  • Используйте ярлыки
  • Настроить мытье рук
  • Подключите Apple Watch к сети Wi-Fi
  • Подключение к Bluetooth-наушникам или динамикам
  • Передача задач с Apple Watch
  • Разблокируйте свой Mac с помощью Apple Watch
  • Разблокируйте свой iPhone с помощью Apple Watch
  • Используйте Apple Watch без сопряженного iPhone
  • Используйте Apple Watch с сотовой сетью
• • Функции безопасности на Apple Watch
  • Настройка и просмотр вашего медицинского удостоверения
  • Связаться со службами экстренной помощи
  • Управление обнаружением падения
  • Управление обнаружением сбоев
• • Используйте Сири
  • Слушайте и отвечайте на входящие уведомления
  • Объявлять звонки с помощью Siri
• • Исследуйте галерею лиц
  • Настроить циферблат
  • Делитесь циферблатами Apple Watch
  • Лица и особенности
• • Все об Apple Фитнес+
  • Подпишитесь на Apple Фитнес+
  • Настройте Apple Fitness+ на Apple TV
  • Просмотр тренировок и медитаций Fitness+
  • Начать тренировку Фитнес+
  • Тренируйтесь вместе с помощью SharePlay
  • Меняйте содержимое экрана во время тренировки или медитации Fitness+
  • Скачать тренировку Фитнес+
• • • Отслеживайте ежедневную активность с помощью Apple Watch
    • Поделиться активностью
  • будильники
  • • Добавить аудиокниги
    • Воспроизведение аудиокниг
  • Кислород крови
  • Калькулятор
  • Календарь
  • Пульт дистанционного управления камерой
  • Компас
  • Контакты
  • • Используйте отслеживание цикла
    • Получите ретроспективные оценки овуляции
  • ЭКГ
  • • • Найти людей
      • Проложить маршрут или связаться с другом
    • Найти устройства
    • • Найдите AirTag
      • Отметить AirTag как утерянный
  • • Частота сердцебиения
    • Здоровье сердца
  • • Управляйте своим домом
    • Отправка и получение интерком-сообщений
    • Удаленный доступ к аксессуарам для умного дома
  • • Читать почту
    • Пишите и отвечайте на почту
    • Управление почтой
  • • Карты
    • Получить направление
  • Лекарства
  • Памятки
  • • Читать сообщения
    • Отправка сообщений
    • Отвечать на сообщения
  • • Практикуйте осознанность
    • Слушайте управляемые медитации
  • • Добавить музыку
    • Удалить музыку
    • Воспроизводить музыку
    • Делайте больше с музыкой
    • Радио
  • Новости
  • • Шум
    • Контролируйте воздействие шума окружающей среды
  • Сейчас играет
  • • Телефон
    • Делать телефонные звонки
    • Используйте iPhone с двумя SIM-картами с Apple Watch
  • • Выберите фотоальбом и управляйте хранилищем
    • Посмотреть фотографии
  • • Добавить подкасты
    • Воспроизведение подкастов
  • Напоминания
  • • Управляйте музыкой на Mac или ПК
    • Управление AppleTV
  • • Отслеживайте свой сон
    • Отслеживайте температуру запястья ночью
  • Акции
  • Секундомер
  • Таймеры
  • Советы
  • Голосовые заметки
  • Рация
  • • О кошельке
    • Apple Pay
    • Настроить ApplePay
    • Совершайте покупки
    • Отправляйте, получайте и запрашивайте деньги с помощью Apple Watch (только для США)
    • Управление Apple Cash (только для США)
    • Используйте Wallet для пропусков
    • Используйте бонусные карты
    • Оплата с помощью Apple Watch на Mac
    • Ездить транзитом
    • Используйте свои водительские права или удостоверение личности штата
    • Используйте цифровые ключи
    • Используйте карты вакцинации против COVID-19
  • Погода
  • • Тренируйтесь с Apple Watch
    • Начать тренировку на Apple Watch
    • Обнаружение трека
    • Завершите и просмотрите тренировку
    • Настроить тренировки
    • Просмотр зон сердечного ритма
    • Просмотр и редактирование показателей тренировки
    • Показатели бега на открытом воздухе
    • Пойти поплавать
    • Используйте спортивное оборудование с Apple Watch
    • Настройте параметры тренировки
  • Мировое время
• • Голос за кадром
  • Настройте Apple Watch с помощью VoiceOver
  • Основы Apple Watch с VoiceOver
  • Зеркалирование Apple Watch
  • Управляйте ближайшими устройствами
  • AssistiveTouch
  • Используйте дисплей Брайля
  • Используйте Bluetooth-клавиатуру
  • Увеличить
  • Расскажите время с тактильной обратной связью
  • Отрегулируйте размер текста и другие визуальные параметры.
  • Настройте параметры двигательных навыков
  • Настройка и использование RTT
  • Настройки звука специальных возможностей
  • Используйте специальные возможности с Siri
  • Ярлык доступности
• • Перезапустите Apple Watch
  • Стереть Apple Watch
  • Восстановить Apple Watch
  • Восстановить Apple Watch из резервной копии
  • Обновите программное обеспечение Apple Watch
  • Если вы забыли пароль
• • Продайте, подарите или защитите потерянные Apple Watch
  • Получить информацию об Apple Watch
  • Другие способы просмотра этого руководства пользователя
  • Сайт поддержки Apple Watch
  • Узнайте больше, обслуживание и поддержка
• • Важная информация о безопасности
  • Важная информация по обращению
  • Несанкционированная модификация watchOS
  • Информация по уходу за браслетом
  • Заявление о соответствии FCC
  • Заявление о соответствии ISED Канаде
  • Сверхширокополосная информация
  • Информация об утилизации и переработке
  • Apple и окружающая среда
• Авторские права

В конце записи вы получаете классификацию.