1205 - HackMD

@Z_gCrc6jQMS26lpgf80pDQ > [name=scarecrowlol] > > > [time=Wed, Nov 13, 2024 4:25 PM] > > [color=red] --- Explainable AI decision model for ECG data of cardiac disorders 心臟疾病心電圖資料的可解釋人工智慧決策模型 https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S1746809422001069 心臟疾病心電圖資料的可解釋人工智慧決策模型，旨在提高心臟病診斷的準確性和可解釋性。 ST-CNN-GAP-5 的深度學習模型，該模型旨在改善心臟疾病的診斷。該模型在公開的 PTB-XL 心電圖資料集上進行了測試，並與現有的最先進的方法相比，達到了更高的區域下曲線（AUC）值，達到了 93.41%。此外，該模型在另一個心律不整患者的心電圖資料集上的測試結果也表現出色，準確率達到了 95.8%，AUC 達到了 99.46%。研究還使用了 SHapley Additive exPlanations（SHAP）來分析模型的可解釋性，時空卷積神經網路這篇文章使用了以下方法來進行心電圖（ECG）數據的分析與心臟疾病診斷： 1. **模型類型：** - Spatio-Temporal CNN（ST-CNN-8、ST-CNN-5、ST-CNN-GAP-5） - ResNet（ResNet-18、ResNet-34、ResNet-50、ResNet-101） - SENet（Squeeze-and-Excitation Network） - Bilinear ST-CNN（Concatenate、Multiply、Outer Product） - Attention-56（基於殘差注意力網絡） 2. **特徵提取方法：** - 離散餘弦變換（DCT）用於特徵提取 - 時間-頻率分析（例如 Stockwell Transform） 3. **可解釋性工具：** - SHAP（Shapley Additive Explanations）用於模型的解釋性分析 Python J48決策樹 ---- ## 12/8 P wave significance in electrocardiography QRS complex analysis QT interval and cardiovascular risk Electrocardiogram (ECG) wave interpretation P wave and atrial activity correlation QRS duration in heart disease diagnosis QT interval prolongation and arrhythmia Repolarization abnormalities in QT interval --- "P波訊號平均心電圖（P-SAECG）是一種非侵入性工具，可用於評估心房電活動功能，並具有預測心肌梗塞、心胸外科手術、心律轉復及導管消融後心房顫動（AF）風險的潛力，而P波指標與PR間期是AF中間表型的常用評估指標（Kornej et al., 2021）。" https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S1547527121004264 Kornej, J., Magnani, J. W., Preis, S. R., Soliman, E. Z., Trinquart, L., Ko, D., ... & Lin, H. (2021). P-wave signal-averaged electrocardiography: Reference values, clinical correlates, and heritability in the Framingham Heart Study. Heart rhythm, 18(9), 1500-1507. --- for ting "訊號平均心電圖（SAECG）是一種高解析度的心電技術，可檢測結構性心臟病患者的傳導異常，並用於預測缺血性中風後的心房顫動（Yodogawa et al., 2013）。" https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S091450871200233X Yodogawa, K., Seino, Y., Ohara, T., Hayashi, M., Miyauchi, Y., Katoh, T., & Mizuno, K. (2013). Prediction of atrial fibrillation after ischemic stroke using P-wave signal averaged electrocardiography. Journal of cardiology, 61(1), 49-52. --- "心電圖的缺血性變化，如ST段壓低及T波倒置，常被納入風險評估工具，如心肌梗塞溶栓評分、急性冠脈事件全球登錄及心臟評分（Choi & Lee, 2022）。" Choi, Y., & Lee, J. H. (2022). Dynamic changes in electrocardiographic findings between initial and follow-up electrocardiography: The role of the T/QRS ratio. The American Journal of Emergency Medicine, 54, 8-14. for ting "心電圖（ECG）在診斷缺血性胸痛患者的急性冠狀動脈症候群（ACS）中扮演重要角色，尤其在非ST段抬高的急性冠狀動脈症候群（NSTE-ACS）中需進行早期風險分層（Choi & Lee, 2022）。" done Choi, Y., & Lee, J. H. (2022). Dynamic changes in electrocardiographic findings between initial and follow-up electrocardiography: The role of the T/QRS ratio. The American Journal of Emergency Medicine, 54, 8-14. "心電圖（ECG）可用於區分模仿性疾病，例如以T/QRS比值>0.22區分左心室瘤（慢性損傷）與急性心肌梗塞，以ST/T比值≥0.25區分左心室肥大伴早期再極化（慢性損傷）與急性心包炎。一項研究顯示，T/QRS與ST/T比值能有效區分高尖T波與早期再極化，並以ST/T比值>25%及年齡>45歲的預測模型達到81%靈敏度與96.1%特異性（Choi & Lee, 2022）。" done Choi, Y., & Lee, J. H. (2022). Dynamic changes in electrocardiographic findings between initial and follow-up electrocardiography: The role of the T/QRS ratio. The American Journal of Emergency Medicine, 54, 8-14. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S0735675722000365 --- "P波特徵如持續時間、振幅與分散性可預測心房顫動（AF），其中P波振幅降低與AF風險增加相關，而形態-電壓-P波持續時間（MVP）風險評分則提供有效工具評估缺血性中風患者的AF風險（Hayıroğlu et al., 2021）。" done Hayıroğlu, M. İ., Çınar, T., Selçuk, M., Çinier, G., Alexander, B., Doğan, S., ... & Baranchuk, A. (2021). The significance of the morphology-voltage-P-wave duration (MVP) ECG score for prediction of in-hospital and long-term atrial fibrillation in ischemic stroke. Journal of electrocardiology, 69, 44-50. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S0022073621001989 --- "急性心肌梗塞（AMI），特別是急性前壁心肌梗塞，因心功能受損嚴重，具有最高的死亡率。診斷與評估AMI主要依賴臨床評估，包括12導程心電圖（ECG）、生化檢測及各種非侵入性影像技術。ST段變化是AMI中最常見的ECG異常，具有重要的預後意義(prognostic significance)（Yano et al., 2024）。" done prognostic significance or Prognostic Usefulness? https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S0022073624002619 Yano, M., Egami, Y., Abe, M., Osuga, M., Nohara, H., Kawanami, S., ... & Nishino, M. (2024). Prognostic significance of ratio of P-wave duration to P-wave vector magnitude for mortality in acute anterior myocardial infarction. Journal of Electrocardiology, 87, 153791. --- 特別的 "2020年ESC指引將心房顫動（AF）分為五類：首次診斷型、陣發性、持續性、長期持續性與永久性（Wen & Kang, 2022）。" "心房顫動（AF）是最常見的心律不整，可透過非侵入性且無痛的心電圖（ECG）檢測。雖然AF通常不會直接威脅生命，但會增加中風、心臟衰竭及其他重大併發症的風險（Wen & Kang, 2022）。" Wen, H., & Kang, J. (2022). A comparative study on neural networks for paroxysmal atrial fibrillation events detection from electrocardiography. Journal of Electrocardiology, 75, 19-27. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S0022073622001972 --- "標準心電圖（ECG）中的碎裂QRS波群（fQRS）為心室傳導障礙的指標，可反映因各種疾病導致的心肌損傷。研究顯示，冠狀動脈疾病（CAD）引起的心肌瘢痕與fQRS的存在有密切關聯，且fQRS的位置與左心室瘢痕的位置高度相關。相較其他心肌缺血的ECG標記，fQRS在檢測CAD患者心肌纖維化方面具有更高敏感性（Yildirim et al., 2021）。" "心電圖（ECG）中的碎裂QRS波群（fQRS）可作為COVID-19病程中心肌損傷的早期、實用且安全的檢測工具（Yildirim et al., 2021）。" "心電圖（ECG）是一種廉價且易於操作的檢測工具，與超音波心動圖等其他診斷工具相比，在疫情期間還可降低醫療人員的感染風險（Yildirim et al., 2021）。" Yildirim, A., Karaca, I. O., Yilmaz, F. K., Gunes, H. M., & Cakal, B. (2021). Fragmented QRS on surface electrocardiography as a predictor of cardiac mortality in patients with SARS-CoV-2 infection. Journal of Electrocardiology, 66, 108-112. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S0022073621000571#ks0005 --- "心跳是醫學中最基本且重要的生命徵象之一，因此描述心跳的參數是監測病患狀況的重要工具。其中，心率（HR）描述了心跳的速度，透過心電圖（ECG）記錄心臟的電活動即可計算HR。ECG信號中最明顯的波形為QRS波群，代表心室收縮並與心跳直接相關（Chromik et al., 2021）。" Chromik, J., Pirl, L., Beilharz, J., Arnrich, B., & Polze, A. (2021). Certainty in QRS detection with artificial neural networks. Biomedical Signal Processing and Control, 68, 102628. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S1746809421002251#sec0005 --- "心電圖（ECG）是一種診斷工具，用於記錄心臟的電活動。任何心臟電系統的異常均稱為心律不整，可透過ECG信號分析進行識別。及時診斷心律不整對減少其潛在危害至關重要（Zabihi et al., 2024）。" Zabihi, F., Safara, F., & Ahadzadeh, B. (2024). An electrocardiogram signal classification using a hybrid machine learning and deep learning approach. Healthcare Analytics, 6, 100366. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S2772442524000686 --- "心電圖（ECG）以圖形方式呈現心臟內部電變化及其電壓隨時間的變化。每次心跳使心肌去極化與再極化，透過調整電壓引發收縮。正常心電圖包括P波、QRS波群和T波（Munoz-Macho et al., 2024）。" Munoz-Macho, A. A., Dominguez-Morales, M. J., & Sevillano-Ramos, J. L. (2024). Analyzing ECG signals in professional football players using machine learning techniques. Heliyon, 10(5). https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S2405844024028202 --- "心電圖（ECG）是評估心臟電活動的基本且廣泛使用的醫學診斷工具，可提供患者心臟健康的關鍵資訊，並協助診斷各種心臟疾病（Alla & Nayak, 2024）。" Alla, M. R., & Nayak, C. (2024). A robust ECG signal enhancement technique through optimally designed adaptive filters. Biomedical Signal Processing and Control, 95, 106434. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S1746809424004920 --- "心電圖（ECG）是一種診斷工具，用於記錄心臟的電活動。任何心臟電系統的異常均稱為心律不整，可透過ECG信號分析進行識別。及時診斷心律不整對減少其潛在危害至關重要（Zabihi et al., 2024）。" Zabihi, F., Safara, F., & Ahadzadeh, B. (2024). An electrocardiogram signal classification using a hybrid machine learning and deep learning approach. Healthcare Analytics, 6, 100366. "心電圖（ECG）是評估心臟電活動的基本且廣泛使用的醫學診斷工具，可提供患者心臟健康的關鍵資訊，並協助診斷各種心臟疾病（Alla & Nayak, 2024）。" Alla, M. R., & Nayak, C. (2024). A robust ECG signal enhancement technique through optimally designed adaptive filters. Biomedical Signal Processing and Control, 95, 106434. 心電圖（ECG）以圖形方式呈現心臟內部電變化及其電壓隨時間的變化。每次心跳使心肌去極化與再極化，透過調整電壓引發收縮。正常心電圖包括P波、QRS波群和T波（Munoz-Macho et al., 2024）。 Munoz-Macho, A. A., Dominguez-Morales, M. J., & Sevillano-Ramos, J. L. (2024). Analyzing ECG signals in professional football players using machine learning techniques. Heliyon, 10(5). 心電圖（ECG）在診斷缺血性胸痛患者的急性冠狀動脈症候群（ACS）中扮演重要角色，尤其在非ST段抬高的急性冠狀動脈症候群（NSTE-ACS）中需進行早期風險分層（Choi & Lee, 2022）。 Choi, Y., & Lee, J. H. (2022). Dynamic changes in electrocardiographic findings between initial and follow-up electrocardiography: The role of the T/QRS ratio. The American Journal of Emergency Medicine, 54, 8-14. 心電圖（ECG）可用於區分模仿性疾病，例如以T/QRS比值>0.22區分左心室瘤（慢性損傷）與急性心肌梗塞，以ST/T比值≥0.25區分左心室肥大伴早期再極化（慢性損傷）與急性心包炎。一項研究顯示，T/QRS與ST/T比值能有效區分高尖T波與早期再極化，並以ST/T比值>25%及年齡>45歲的預測模型達到81%靈敏度與96.1%特異性（Choi & Lee, 2022）。 Choi, Y., & Lee, J. H. (2022). Dynamic changes in electrocardiographic findings between initial and follow-up electrocardiography: The role of the T/QRS ratio. The American Journal of Emergency Medicine, 54, 8-14. --- ## 1209 找創新方法 Cardiovascular disease detection based on deep learning and multi-modal data fusion https://www.sciencedirect.com/science/article/pii/S1746809424009406 提出了一種基於深度學習和多模態數據融合的心血管疾病檢測方法，通過雙尺度深度殘差網絡（DDR-Net）自動從原始心電圖（ECG）和心音圖（PCG）訊號中提取特徵，並利用 SVM-RFECV 進行重要特徵選擇，最終通過 SVM 進行分類，在 2016 年 PhysioNet/CinC 挑戰資料庫的「training-a」集上進行評估，實驗結果顯示該方法在心血管疾病檢測上具有優越的性能。在研究中，DDR-Net 用作 ECG 和 PCG 訊號的特徵提取器。因此，DDR-Net 使用重採樣的 ECG 和 PCG 訊號分別進行訓練，其中使用密集層和 softmax 活化函數對 64 維 ECG 或 PCG 特徵進行分類。在密集層之後新增了 dropout 層，以防止訓練過程中出現過擬合。預測和標籤之間的交叉熵被計算為損失。最後得到兩個訓練好的模型，分別是DDR-ECG-Net和DDR-PCG-Net。為了同時使用 ECG 和 PCG 資料檢測 CVD，使用經過訓練的模型來提取 64 維 ECG 和 PCG 特徵，然後將它們連接起來以獲得 128 維特徵向量 +32 Bi-LSTM cell units are used --- Cardiovascular disease detection from cardiac arrhythmia ECG signals using artificial intelligence models with hyperparameters tuning methodologies https://www.sciencedirect.com/science/article/pii/S240584402412782X#sec5 The classifiers used include Gaussian Mixture Model (GMM), Expectation Maximization (EM), Non-linear Regression (NLR), Logistic Regression (LR), Bayesian Linear Discriminant Analysis (BDLC), Detrended Fluctuation Analysis (Detrended FA) and Firefly. 所使用的分類器包括高斯混合模型（GMM）、期望最大化（EM）、非線性迴歸（NLR）、邏輯迴歸（LR）、貝葉斯線性判別分析（BDLC）、去趨勢波動分析（Detrending FA）和Firefly。使用了公開可用的 MIT-BIH 資料庫，包括 VT、PVC、ST 變化和正常心室節律（NSR）的心電圖記錄。研究比較了七種分類器的性能，包括高斯混合模型（GMM）、期望最大化（EM）、非線性迴歸（NLR）、邏輯迴歸（LR）、貝葉斯線性判別分析（BDLC）、去趨勢波動分析（Detrended FA）和螢火蟲算法。進一步通過 Adam 和網格搜尋優化（GSO）方法對 GMM、EM、BDLC 和螢火蟲分類器的超參數進行了調整。 --- MDensNet201-IDRSRNet: Efficient cardiovascular disease prediction system using hybrid deep learning https://www.sciencedirect.com/science/article/pii/S1746809424002052 提出了一種基於深度學習的心血管疾病（CVD）預測系統，該系統通過結合改進的 DenseNet201（MDenseNet201）和改進的深度残差收縮網絡（IDRSNet）來提高預測準確性。研究首先對數據集進行預處理，包括去除離群值、補充缺失值和解決數據集不平衡問題。再使用 MDenseNet201 模型提取與疾病相關的特徵。然後運用 Relief 和最小絕對收縮和選擇運算符（LASSO）方法進行特徵選擇。最後利用 IDRSNet 模型進行 CVD 的預測。 --- ## 1210 要 + LSTM BI-LSTM GRU 時的部分可以加空的部分呢？兩個人去寫時空卷積神經網路就好按照原篇論文5層去寫然後去思考時空能不能把這結合起來平均池化的五層準確率最好 --- 五層的時空卷積神經網路+平均池化 + LSTM Spatio-Temporal Convolutional Neural Network with Global Average Pooling and 5 Temporal Layers ST-CNN + Global Average Pooling and 5 Temporal Layers 禮拜四要開會國科會題目運用深度學習方法於心血管疾病檢測與猝死預測之研究運用時空卷積神經網路於心血管疾病檢測與猝死預測之研究運用深度學習技術於心血管疾病檢測與引發猝死風險的預測運用深度學習技術於心血管疾病類型檢測與猝死的機率預測運用時空卷積長短記憶網路於心血管疾病檢測與引發猝死的風險預測運用深度學習技術於心血管疾病類型檢測與引發猝死的風險預測要去禮拜五對吧先把我們重點摘要三個方法會給我們我們只需要寫時空兩個人寫兩個人合併 1. 按照跌倒的去排序以人名 2. 禮拜四要開會要討論猝死的文獻怎麼寫 3. 用時空卷積長短記憶網路 ## 1212 Unified CNN-LSTM for keyhole status prediction in PAW based on spatial-temporal features https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S0957417423019279 文章提出了一種新型的 CNN-LSTM 模型，該模型能夠從頂部熔池影像序列中提取空間和時間特徵，並預測複雜的 keyhole 動態行為。 4.4. The integration of CNN and LSTM CNN-LSTM 網路可以從時間序列影像中提取空間和時間特徵，並預測未來影格的穿透/鎖孔狀態，即使在相當長的時間內。其基本理論是，CNN用於從連續影像中的各個樣本中提取空間屬性特徵，而LSTM網路用於從這些影像序列中提取時間相關特徵。然而，在CNN-LSTM網路中，只有在網路之間的連接處保持相同的資料格式時，資料才能順利傳輸。作為LSTM模型的輸入值，特徵維度應由CNN模型的輸出控制，以確保特徵提取器的一致性。 --- GT-LSTM: A spatio-temporal ensemble network for traffic flow prediction https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S0893608023007207 該模型主要由特徵拼接和模式擷取組成。在特徵拼接中，透過採用自適應圖卷積網路（GCN）來捕捉交通流的空間依賴性，並設計一種非互嵌入的方法來整合空間和時間狀態。此外，聚合的時空狀態被輸入到模式捕獲中，可以有效地利用時間卷積網路（TCN）和雙向長短期記憶網路（Bi-LSTM）的優勢來提取交通流的內在模式。 graph temporal convolutional long short-term memory network (GT-LSTM) 交通流量預測模型 ——GT-LSTM。該模型採用了一種非互嵌融合技術路線，通過結合自適應圖卷積網絡（GCN）、時間卷積網絡（TCN）和雙向長短期記憶網絡（Bi-LSTM），有效地捕捉了交通流量的內在依賴關係。GT-LSTM 模型在特徵拼接（Features Splicing）和模式捕捉（Patterns Capturing）兩個主要部分中進行了特征的整合和提取。 1212開會8.30pm 2.1 定義發生徵兆危險因子四段 (猝死發生有可能會有很多原因並不一定跟心血管有關主要寫原因) 五句話就夠寫定義怎麼樣算猝死什麼東西會導致猝死發生危險因子可以寫成一張紙要知道有哪些徵兆有哪些階段代表他要發生猝死 2.2 心血管疾病跟猝死的關係應該要探討心電圖或心血管疾病與猝死的關係希望能先了解特徵有特徵才能評估評估方式也可以心血管疾病去預測猝死 2.2 只要心血管疾病跟猝死的關係心血管疾病與心電圖的特徵？階段特徵呢？三種心血管疾病嚴重程度引發猝死的機率有多高要怎麼評判有猝死的data嗎什麼樣的心血管疾病要猝死了要馬分程度要馬分階段所以2.2主要寫心血管疾病與猝死的關係看怎樣的階段才會發生猝死心血管長怎樣子這樣的心血管疾病會引發猝死著重在疾病的程度引發的關係寫一段是關於心血管疾病的特徵 2.3 猝死的判斷方式要在這裡面加入其他特徵嗎因為不一定只有心電圖著重在用哪些資料像是透過心電圖or其他數據去看 2.4 預測猝死的相關研究著重之前都是怎樣做預測技術方法類的預測 --- 這2.1 定義猝死的危險因子導致發生的徵兆跟階段 2.2心血管疾病與猝死的關係要帶到發生機率或風險 2.3評估方式 2.4預測的相關研究一個是方式一個是方法方法深度學習方式ECG 壓力身心狀況情緒健康狀況 BMI 腦電圖疲勞狀態要區分清楚 2.5 預防方式 ---- ## 1215 提出一種ConvLSTM 結合 Longitudinal Transformer 的方法，直接以卷積方式提取影像空間特徵，並學習腫瘤的時空資訊，預測腫瘤生長模式。ConvLSTM 同時處理空間與時間特徵，而 Longitudinal Transformer 則捕捉時空序列中的遠程依賴關係，降低像素損失，提升影像特徵預測準確度（Ma et al., 2023）。 Ma, M., Zhang, X., Li, Y., Wang, X., Zhang, R., Wang, Y., ... & Sun, X. (2023). ConvLSTM coordinated longitudinal transformer under spatio-temporal features for tumor growth prediction. Computers in Biology and Medicine, 164, 107313. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S0010482523007783#sec2 --- Zhou et al. (2024) 提出一種時空注意力增強型卷積長短期記憶網路（Spatiotemporal Attention-Augmented Convolutional Long Short-Term Memory, STA-ConvLSTM），用於海洋遙感反射率（Ocean Remote Sensing Reflectance）預測。該模型在標準卷積長短期記憶網路（Convolutional Long Short-Term Memory, ConvLSTM）基礎上，引入注意力增強卷積運算（Attention-Augmented Convolutional Operator, AAConv），透過多頭注意力機制（Multi-Head Attention, MHA）強化時空序列的長期依賴性並減少預測誤差。結果顯示，STA-ConvLSTM 在海洋遙感資料（Remote Sensing Data）預測中表現優於傳統 ConvLSTM（Zhou et al., 2024）。 Zhou, G., Chen, J., Liu, M., & Ma, L. (2024). A spatiotemporal attention-augmented ConvLSTM model for ocean remote sensing reflectance prediction. International Journal of Applied Earth Observation and Geoinformation, 129, 103815. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S1569843224001699#s0010 --- Zhou et al. (2020) 提出的框架結合了時空卷積神經網絡（ST-CNN）和基於注意力機制的長短期記憶網絡（ATT-LSTM），這種結合使得框架能夠在每個分割的序列中融合深度空間信息，並專注於從這些序列中提取關鍵信息，這對於提升行為識別的性能至關重要。 Zhou, K., Wu, T., Wang, C., Wang, J., & Li, C. (2020). Skeleton based abnormal behavior recognition using spatio-temporal convolution and attention-based LSTM. Procedia Computer Science, 174, 424-432. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S1877050920316306 --- Shi et al. (2017) 提出了一種專注於時空特性的卷積長短期記憶網路（Spatiotemporal Convolutional Long Short-Term Memory, ST-ConvLSTM），用於降水即時預測（Precipitation Nowcasting）。該模型結合了卷積運算的空間特性與 LSTM 的時間序列特性，能有效捕捉雷達回波數據中的時空相關性。ST-ConvLSTM 利用位置不變的卷積過濾器，對輸入數據的局部空間結構進行建模，同時通過遞迴更新維持時序信息，使預測精度大幅提升。實驗結果顯示，ST-ConvLSTM 在處理複雜的降水變化模式時，表現優於傳統光流方法與其他基線模型。 Shi et al. (2017) 提出了一種專注於時空特性的卷積長短期記憶網路（Spatiotemporal Convolutional Long Short-Term Memory, ST-ConvLSTM），用於解決降水即時預測（Precipitation Nowcasting）問題。該模型針對降水預測的特性，結合了卷積神經網路（convolutional neural network, CNN）的空間特徵提取能力與 LSTM(Long Short-Term Memory, LSTM) 的時間序列建模能力，能有效捕捉雷達回波數據中的時空相關性。 1. ST-ConvLSTM 的特性空間結構建模：與傳統 LSTM 不同，ST-ConvLSTM 在輸入到狀態及狀態到狀態的遞迴結構中，均使用卷積運算取代全連接運算，從而保留輸入數據的局部空間特徵。這種設計允許網路在學習時空動態的同時，對數據的空間結構進行有效建模。 2. 時空序列整合： ST-ConvLSTM 能夠在多時間步驟之間遞迴更新隱狀態，保留時間資訊的連續性，進一步結合空間特徵，實現對降水動態變化的時空整合。 Shi, X., Gao, Z., Lausen, L., Wang, H., Yeung, D. Y., Wong, W. K., & Woo, W. C. (2017). Deep learning for precipitation nowcasting: A benchmark and a new model. Advances in neural information processing systems, 30. https://arxiv.org/pdf/1706.03458 --- 以下是基於 **Shi et al. (2017)** 論文內容，進一步豐富 **「2. 基於 ConvLSTM 的結構優化：動態時空相關性」** 的部分： --- ### **2. 基於 ConvLSTM 的結構優化：動態時空相關性** 儘管 ConvLSTM 在捕捉空間和時間的局部相關性方面展現了其強大的建模能力，Shi et al. (2017) 研究中也指出該方法存在一些局限性，特別是在處理具有動態位置變化的場景（如旋轉、縮放或移動）時，因卷積過濾器的靜態性而無法靈活適應。因此，作者在 ConvLSTM 的基礎上提出了一種基於動態結構優化的模型——**Trajectory Gated Recurrent Unit (TrajGRU)**，用於學習位置依賴性強的時空相關性。 #### **2.1 TrajGRU 的結構與創新** TrajGRU 的核心思想是通過引入一個子網路，學習每個時間步中隱狀態的動態卷積連接結構。這一改進使得模型能夠適應數據中運動模式的動態性，包括非剛性變形或其他複雜時空變化。 1. **動態鄰域連接學習：** TrajGRU 透過生成光流場（Optical Flow Fields）來動態調整隱狀態更新過程中的卷積操作，使得每個像素點的鄰域連接結構可以根據當前輸入數據和過去隱狀態進行適應性調整。這一機制具體由以下公式表示： \[ U_t, V_t = \gamma(X_t, H_{t-1}), \] 其中： - $ \gamma $ 是子網路，用於根據當前輸入 $ X_t $ 和上一時間步隱狀態 $ H_{t-1} $ 動態生成光流場 $ U_t $ 和 $ V_t $， - $ U_t, V_t $ 分別表示水平與垂直方向上的位移場，用於調整卷積運算的鄰域結構。 2. **基於光流的動態狀態遷移：** TrajGRU 通過光流場對隱狀態進行雙線性插值（Bilinear Interpolation），將隱狀態的遷移表示為： \[ \text{warp}(H_{t-1}, U_t, V_t), \] 這使得隱狀態 $ H_{t-1} $ 的更新能夠根據當前輸入的運動模式靈活地對每個位置進行調整。 3. **門控機制的整合：** 在 ConvLSTM 的基礎上，TrajGRU 保留了門控機制，通過動態結構調整加強對關鍵特徵的選擇性建模。具體公式如下： \[ \begin{aligned} & Z_t = \sigma(W_{xz} * X_t + \sum_{l=1}^L W_{hz}^l * \text{warp}(H_{t-1}, U_t^l, V_t^l)), \\ & R_t = \sigma(W_{xr} * X_t + \sum_{l=1}^L W_{hr}^l * \text{warp}(H_{t-1}, U_t^l, V_t^l)), \\ & \tilde{H}_t = \tanh(W_{xh} * X_t + R_t \circ \sum_{l=1}^L W_{hh}^l * \text{warp}(H_{t-1}, U_t^l, V_t^l)), \\ & H_t = (1 - Z_t) \circ \tilde{H}_t + Z_t \circ H_{t-1}, \end{aligned} \] 其中： - $ Z_t $ 是更新門，控制隱狀態的保留與更新比例， - $ R_t $ 是重置門，用於調節隱狀態對當前輸入的敏感度， - $ \tilde{H}_t $ 是候選隱狀態。 --- #### **2.2 動態時空相關性的優勢** 通過上述改進，TrajGRU 在處理時空數據時展現了以下優勢： 1. **靈活的動態空間建模：** 傳統 ConvLSTM 中的固定卷積過濾器無法應對位置依賴的時空變化，而 TrajGRU 的動態結構則能根據運動模式動態調整卷積操作，實現更靈活的空間建模。 2. **提升運動模式捕捉能力：** 通過光流場生成的鄰域調整，TrajGRU 能夠有效捕捉非剛性變形（如降水雲層的旋轉、膨脹或縮小）等複雜運動模式。 3. **強化時空相關性的聯合學習：** 動態結構的設計使得模型能夠更加準確地將空間特徵與時間序列聯合建模，尤其在長期序列的學習中顯示出顯著優勢。 4. **適應多樣化場景：** 實驗顯示，TrajGRU 在應對具有強位置變化特性的數據（如降水雲層的時空動態）時顯著優於 ConvLSTM，並且在雷達回波預測中展現出更高的穩定性。 --- ### **補充總結** 基於 ConvLSTM 的結構優化體現了 Shi et al. (2017) 在捕捉動態時空相關性方面的重要創新。TrajGRU 不僅解決了固定卷積結構的局限性，還透過光流生成與動態調整，實現了對複雜運動模式的精確建模，為時空序列預測提供了新的研究方向。 --- 這一豐富版本對 **基於 ConvLSTM 的結構優化** 進行了更詳細的分析，完全基於 **Shi et al. (2017)** 的內容，特別是在 TrajGRU 引入動態結構與光流生成方面的核心貢獻與公式推導。希望這能滿足您的需求！ --- 以下是整合後的一篇完整文章，基於 **Robust Spatiotemporal ConvLSTM (2021)** 論文內容，專注於時空特性（Spatiotemporal Features）及結構優化，並包含數學公式： --- ### 基於 ConvLSTM 的結構優化：動態時空相關性 Saideni et al. (2021) 提出一種名為Robust Spatiotemporal Convolutional Long Short-Term Memory（Robust-ST-ConvLSTM）的方法，旨在解決傳統 ConvLSTM 在捕捉長期時空相關性方面的不足。傳統 ConvLSTM 雖然能結合卷積操作捕捉空間特徵，並通過隱狀態遞迴建模時間依賴，但其基於一階馬爾可夫假設的設計限制了其建模能力。隱狀態更新僅依賴於上一時間步的信息，難以捕捉跨多時間步的全局依賴。此外，ConvLSTM 僅通過單一記憶單元處理空間與時間特徵，導致多層堆疊中易出現信息丟失的問題。為了解決這些挑戰，Robust-ST-ConvLSTM 提出了兩項關鍵改進：高階記憶流結構和時空記憶單元。首先，高階記憶流結構（Higher-Order Memory Flow）通過引入多時間步的隱狀態融合，擴展了模型的時序建模能力。與傳統 ConvLSTM 僅依賴前一時間步的隱狀態不同，該方法考慮了多個歷史時間步的隱狀態，通過加權融合捕捉更長時程的動態依賴。具體公式如下： \[ f(H_t) = \frac{1}{N} \sum_{n=1}^N W_n H_{t-n}, \] 其中，$ f(H_t) $ 表示融合後的隱狀態，$ W_n $ 是學習的權重參數，用於調節不同時間步的隱狀態影響，$ N $ 表示歷史時間步的數量。這種設計有效提升了模型在長時序依賴性場景中的表現，例如視頻預測中跨幀動態模式的捕捉。其次，Robust-ST-ConvLSTM 引入了時空記憶單元（Spatiotemporal Memory Unit, STM），用於存儲輸入數據的全局時空特徵。STM 單元在每層堆疊的模型中向前傳遞，確保模型在多層結構中不會丟失關鍵的時空信息。STM 的更新公式如下： \[ STM_t = F_t \circ STM_{t-1} + I_t \circ \tilde{C}_t, \] 其中，$ F_t $ 和 $ I_t $ 分別是忘記門和輸入門，$ STM_{t-1} $ 是上一時間步的 STM 狀態，$ \tilde{C}_t $ 是當前時間步的候選記憶值，$ \circ $ 表示哈達馬積（Hadamard Product）。該記憶單元的設計確保了多層堆疊過程中，模型能持續保留輸入數據的全局特徵，從而減少了傳統 ConvLSTM 中多層結構造成的信息遺失問題。綜上所述，Robust-ST-ConvLSTM 通過高階記憶流結構的時序建模能力和時空記憶單元的全局特徵保留能力，顯著提升了模型在處理複雜動態模式中的性能。在應用實驗中，該模型在 KTH 動作數據集和 Moving MNIST 數據集上均顯示出顯著優勢，特別是在捕捉長時間依賴和複雜空間模式時，其表現優於傳統 ConvLSTM 和其他基線模型。 --- 此版本聚焦於 Robust-ST-ConvLSTM 的兩個核心改進（高階記憶流結構與時空記憶單元），提供了連貫的描述和相關數學公式，適合用於專業研究報告或學術討論。 Saideni, W., Courrèges, F., Helbert, D., & Cances, J. P. P. (2021). Robust Spatiotemporal Convolutional Long Short-Term Memory Algorithm for Video Prediction. --- ## 1216 畫出示意圖時空卷機神經網路lstm 輸入會是心電圖分兩塊時間跟空間只要圖就好文字也要可以寫得簡略如果要加入注意力機制就還要多一個處理方法就調整修改拿那些檔案去修改就好只是說最後第四章那張圖兜起來要合理去看有沒有人畫圖就可以模仿應該是要分工 yi ching 畫圖其他去寫第二年第二章文獻如果第三章節結束就可以寫第二年文獻 --- ## 1219 Holter檢測可評估非缺血性心肌病（non-ischemic cardiomyopathy, NIC）患者猝死風險，非持續性心室心搏過速（non-sustained ventricular tachycardia, NSVT）發生率為30%-79%。若NSVT合併左心室射血分數（left ventricular ejection fraction, LVEF）< 30%，猝死風險增加8.2倍，且NSVT可使猝死風險增加3.2倍（Pimentel et al., 2016）。 done Pimentel, M., Rohde, L. E., Zimerman, A., & Zimerman, L. I. (2016). Sudden cardiac death markers in non-ischemic cardiomyopathy. Journal of electrocardiology, 49(3), 446-451. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S0022073616000935 猝死（sudden cardiac death, SCD）是全球主要公共健康問題，每年在歐洲約有25萬例、美國約有36萬例，約佔所有心血管死亡的50%及總死亡的10%-15%。（Kolk et al., 2024）。 done Kolk, M. Z., Ruipérez-Campillo, S., Wilde, A. A., Knops, R. E., Narayan, S. M., & Tjong, F. V. (2024). Prediction of sudden cardiac death using artificial intelligence: Current status and future directions. Heart Rhythm. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S1547527124032934 猝死（sudden cardiac death, SCD）風險評估結合風險因子（risk factors）與風險評分（risk scores）可提高準確性。風險因子法包括非持續性心室心搏過速（non-sustained ventricular tachycardia, NSVT）、左心室射血分數（left ventricular ejection fraction, LVEF）<50%、晚期鈰增強磁振造影（late gadolinium enhancement-magnetic resonance imaging, LGE-MRI）占心肌體積>15%等；此法靈敏度高但特異性低。風險評分法如肥厚型心肌病猝死風險評分（hypertrophic cardiomyopathy risk of sudden cardiac death score, HCM Risk-SCD），以年齡、左心室壁厚度、左心房大小、心室流出道壓力梯度、NSVT、家族史及不明原因暈厥等為輸入，預測5年內猝死風險（<4%低風險、4-6%中風險、>6%高風險），提供高特異性個體化建議。最新指引建議兩者結合使用，風險因子法作為高靈敏度初篩，並以風險評分法細化風險輔助決策。（Siontis et al., 2023）。 Siontis, K. C., Ommen, S. R., & Geske, J. B. (2023). Art and science of risk stratification of sudden cardiac death in hypertrophic cardiomyopathy: Current state, unknowns, and future directions. Progress in Cardiovascular Diseases. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S0033062023000804 （Karimulla & Patra, 2024）指出心室纖維顫動（ventricular fibrillation, VF）占猝死（sudden cardiac death, SCD）病例的80%，常見於冠狀動脈疾病（coronary artery disease, CAD）及心衰竭（heart failure, HF）患者，特別是左心室射血分率（ejection fraction, EF）下降者。長期心房顫動（atrial fibrillation, AF）亦因導致心室心律失常，顯著提高SCD風險。 done Karimulla, S., & Patra, D. (2024). A pioneering approach for early prediction of sudden cardiac death via morphological ECG features measurement and ensemble growing techniques. Computers and Electrical Engineering, 120, 109740. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S0045790624006670 （Fontanges et al., 2024）提出猝死（sudden cardiac death, SCD）在兒童中的發生率雖低，但在患有心肌病變的族群中風險顯著升高。兒童肥厚型心肌病（hypertrophic cardiomyopathy, HCM）患者5年內SCD風險約為7.5%，且主要由心室心律失常引發。主要風險因子包括非持續性心室心搏過速（non-sustained ventricular tachycardia, NSVT）、左心室射血分率（ejection fraction, EF）<50%、心肌纖維化及心尖動脈瘤等。 done Fontanges, P. A., Marquie, C., Houeijeh, A., Baudelet, J. B., Richard, A., Amenyah, C., ... & Domanski, O. (2024). Evaluation of new predictive scores for sudden cardiac death in childhood hypertrophic cardiomyopathy in a French cohort. Archives of Cardiovascular Diseases, 117(6-7), 402-408. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S1875213624001864#sec0035 HCM Risk-SCD 是2014年歐洲心臟學會（European Society of Cardiology, ESC）提出的風險模型，透過年齡、猝死家族史（family history of sudden cardiac death, SCD）、不明原因暈厥（unexplained syncope）、左心房直徑（left atrial diameter, LA diameter）、左心室流出道壓力梯度（left ventricular outflow tract gradient, LVOTG）、最大左心室壁厚（maximum left ventricular wall thickness, max LVWT）與非持續性心室心搏過速（non-sustained ventricular tachycardia, NSVT），計算患者5年內猝死風險（SCD risk）。根據風險評估，將患者分為低風險（<4%）、中風險（4-6%）與高風險（≥6%）三類，建議高風險患者植入體內心臟去顫器（implantable cardioverter-defibrillator, ICD）。2020年美國心臟學會（American Heart Association, AHA）與美國心臟病學會（American College of Cardiology, ACC）提出新的分層方法，增加主要風險因子，包括最大左心室壁厚>30毫米（maximum left ventricular wall thickness, LVWT >30 mm）、左心室射血分率<50%（left ventricular ejection fraction, LVEF <50%）與附加因子，如晚期鈰增強磁振造影的心肌纖維化>15%（late gadolinium enhancement on cardiac magnetic resonance imaging, LGE >15%）。2022年ESC指引進一步整合上述因子，將5年內猝死風險≥6%或4-6%且具主要風險因子的患者歸類為高風險，並建議植入ICD（Class II a）（Qi et al., 2023）。 done Qi, W., Pu, L., Zhang, J., Chen, H., Tang, Z., Wang, J., ... & Chen, Y. (2023). Validation of the risk stratification for sudden cardiac death in Chinese patients with hypertrophic cardiomyopathy. Current Problems in Cardiology, 48(11), 101875. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S014628062300292X Telangore et al.(2024)使用離散小波轉換(discrete wavelet transform, DWT)、非線性分析(如Hurst指數、樣本熵)以及字典學習(dictionary learning)與稀疏表現(sparse representation)技術，從心電圖(electrocardiogram, ECG)中擷取頻域與非線性特徵(如RR間期與能量分布)，並應用於支持向量機與神經網路進行猝死(sudden cardiac death, SCD)預測。 Telangore, H., Azad, V., Sharma, M., Bhurane, A., San Tan, R., & Acharya, U. R. (2024). Early prediction of sudden cardiac death using multimodal fusion of ECG Features extracted from Hilbert–Huang and wavelet transforms with explainable vision transformer and CNN models. *Computer Methods and Programs in Biomedicine*, 257, 108455. https://www-sciencedirect-com.nutc.idm.oclc.org/science/article/pii/S0169260724004486 $\sum_{i=0}^n i^2 = \frac{(n^2+n)(2n+1)}{6}$ $$\sum_{i=0}^n i^2 = \frac{(n^2+n)(2n+1)}{6}$$ --- ## 1220開會 1.圖片跟第二年的第二章節圖等等會討論要怎麼畫 2.資料前處理的圖要畫 3.現在只有類型的data 要找嚴重程度的data 嚴重程度分階段時間階段也可以早中晚輕中重也可以 4.第二年第二章結束要挑一個最炫的方法然後我們再討論定案我們自己找一個最好的方法來寫寫第三章 5.我們現在是時空捲機cnn去判斷類型分三階段做前處理因為我們會有不同特徵前面要有個時空然後是CNN 再進入LSTM 第二年第二章何時給下禮拜五要結束專題檔案要留提出了一種新的 CEEMD 方法來從 ECG 訊號中提取時域特徵，並與傳統的 EMD 和 EEMD 方法進行了比較。此外，文章還涉及了使用統計指數、Kruskal-Wallis 檢定和支持向量機（SVM）的機器學習方法來進行自動分析和預測。於完整整合經驗模態分解法（CEEMD）和機器學習策略的心臟猝死（SCD）預測方法，透過分析心電圖（ECG）訊號，該方法能在 SCD 事件發生前 30 分鐘準確預測 SCD，準確率達到 97.28%。 --- 1.環境變數預測113的用LSTM去跑跑完了得到路口的結果對吧很多路口能不能加上它完整的地址哦加上代碼 2. 裡面有一個叫做時間序列預測一個是環境變數預測都是根據多跟寡去排序有一個最特別就是那個中山路與六合街口是第一名在環境變數是很慘他一直都是很高但不知為何預測出來是4次 ![image](https://hackmd.io/_uploads/BJheObESye.png) 檢查是否有跑錯因為偏低的太嚴重這是我們當初請GPT找的變數去跑的確認有沒有跑錯第二件事要不要納入其他變數加入學校那些的其他變數去跑看看把中山路與六合街口的特徵抓出來去比對如果相同特徵只有他偏高那就懂了很多路口能不能加上它完整的地址哦加上代碼我要你幫我修正這些代碼最終聯集車禍路段統計.csv裡面有107筆資料反正我要的很簡單 # 讀取原始數據並統計車禍次數 data_109 = calculate_road_accidents(pd.read_csv('../yunData/109.csv'), 109) data_110 = calculate_road_accidents(pd.read_csv('../yunData/110.csv'), 110) data_111 = calculate_road_accidents(pd.read_csv('../yunData/111.csv'), 111) data_112 = calculate_road_accidents(pd.read_csv('../yunData/112.csv'), 112) 這四份原始數據中有個欄位是市區鄉鎮代碼我要你把路段去對應市區鄉鎮代碼中的資料所以最終output會是 "市區鄉鎮代碼" "路段名稱" "109年車禍次數" "110年車禍次數" "111年車禍次數" "112年車禍次數" "113年預測車禍次數" 中山路與大同路口,10009050,6,6,5,8,8 雲林斗六西螺都有等等檢查用程式碼去跑這裡應該要用2949才對 109~111 是107 881 109~112 是132 2949 統一模型才對 2949是對的代表我們沒錯一個基於集成學習和提升算法的心臟驟停預測框架，並透過比較不同的提升算法（AdaBoost、LightGBM、CatBoost 和 XgBoost），得出 CatBoost 在預測準確性上達到最佳的 F1-score。該研究旨在開發一個早期警告系統，以提高對心臟病患者心臟驟停的敏感性並降低誤報率。研究者們通過分析數據集並從中提取特徵之間的關係，進行了心臟驟停的早期診斷。在實驗中應用了多種機器學習算法，其中 CatBoost 算法表現最佳，達到了 98.08% 的預測分數，預測的正確率為 98%，敏感性為 97.8%。研究探討了基於完整隨機 EMP 法（CEEMD）和機器學習策略的突發性心臟死亡（SCD）預測方法。該研究使用了兩個公開的數據庫：MIT/BIH 正常心率（NSR）數據庫作為對照組，以及 MIT/BIH 突發性心臟死亡（SCDH）心電圖數據庫。研究首先對 ECG 信號進行了分割，將其分為 1 分鐘的非重疊窗口，然後應用 CEEMD 方法對信號進行分解，提取時域特徵。接著，計算了十種統計指標（SIs），並使用 Kruskal-Wallis 檢驗（KWT）對這些指標進行排名，以評估它們區分正常心率組和 SCD 組的能力。最後，選擇了最佳的統計指標作為支持向量機（SVM）分類器的輸入特徵。研究比較了不同的分類器，包括 SVM、人工神經網絡（ANNs）、K 最近鄰（KNN）和決策樹（DTs），並發現 SVM 在預測 SCD 事件方面表現最佳。研究結果表明，該方法能在事件發生前 30 分鐘準確率達到 97.28%，這對於提高及時介入和患者生存率有顯著的正面影響。 Popescu, D. M., Shade, J. K., Lai, C., Aronis, K. N., Ouyang, D., Moorthy, M. V., ... & Trayanova, N. A. (2022). Arrhythmic sudden death survival prediction using deep learning analysis of scarring in the heart. Nature Cardiovascular Research, 1(4), 334-343. 本研究開發了一種基於深度學習的生存分析模型，用於預測心臟病發性驟時突發性心臟驟死（SCD）的生存曲線，並能對預測的不確定性進行量化，該模型能夠提供高度準確且具有泛化能力的個體化生存概率預測。本研究通過結合深度神經網絡和生存分析，開發了一種稱為 Survival Study of Cardiac Arrhythmia Risk (SSCAR) 的模型，用於預測患有冠心病的患者心臟病發性驟時突發性心臟驟死（SCD）的個體化生存曲線。該模型包括兩個自定義神經網絡，一個用於處理心臟磁共鳴（CMR）影像數據，另一個用於處理臨床特徵數據。研究選用了來自 LVSPSCD 和 PRE-DETERMINE/DETERMINE 臨床試驗的患者數據進行內部和外部驗證。SSCAR 模型在預測 SCD 的時間和風險的不確定性方面表現出色，並且在多個時間點上都展現出優異的性能指標，如 Harrell 的 c-index 和整合 Brier 分數。此外，該研究還展示了模型的解釋性，通過對 CMR 影像和臨床特徵的梯度敏感性分析，揭示了模型預測風險時所依賴的影像和特徵。研究結果表明，SSCAR 模型不僅在預測個體化的 SCD 風險方面優於傳統的生存模型，而且能夠捕捉到影像和非影像特徵之間的複雜關係，並且具有良好的泛化能力和解釋性。這一發現對於改善 SCD 的風險評估和臨床決策具有重要意義。