【玄铁杯第三届RISC-V应用创新大赛】心电图年龄及死亡风险AI预测系统

HonestQiao

【玄铁杯第三届RISC-V应用创新大赛】心电图年龄及死亡风险AI预测系统 [复制链接]

<i class="pstatus"> 本帖最后由 HonestQiao 于 2023-12-7 21:50 编辑 </i>

# 　　　【玄铁杯第三届RISC-V应用创新大赛】
# 　　　　心电图年龄及死亡风险AI预测系统

**作者：HonestQiao/乔楚**

## 一、项目背景

心电图（ECG）是筛查和评估心血管疾病最常用的检查方法，目前已经开发了基于常规计算机平台和基于规则的心电图解释工具，以促进医学研究和临床实践。

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761079" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761079&handlekey=savephoto_761079">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

2021年，巴西米纳斯吉拉斯联邦大学临床医学院埃米莉·利马（Emilly M. Lima）等联合发布了 [Deep neural network-estimatedelectrocardiographic age as a mortality predictor](https://www.nature.com/articles/s41467-021-25351-7.pdf "Deep neural network-estimatedelectrocardiographic age as a mortality predictor")，创造性的提出使用基于深度神经网络（DNN）的机器学习方法，用于自动分析心电图。深度神经网络经过训练，可根据12 导联心电图预测患者的年龄，作为心血管健康的衡量标准。

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761069" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761069&handlekey=savephoto_761069">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

## 二、作品简介

本项目基于[Deep neural network-estimatedelectrocardiographic age as a mortality predictor](https://www.nature.com/articles/s41467-021-25351-7.pdf "Deep neural network-estimatedelectrocardiographic age as a mortality predictor")的研究成果，完成在RISC-V64(LicheePi 4A)平台的模型部署（训练、评估、预测），并构建WEB界面，实现在线快速评估心电图数据，进行心电图年龄及死亡风险的预测，并调用阿里千问AIGC大模型获取护理建议。

## 三、系统框图

### 模型：

本系统所使用的模型为残差神经网络ResNet，基于PyTorch。残差网络（Residual Networks）是一种卷积神经网络，其内部使用了跳跃连接，由大量的残差块组成，这缓解了深度神经网络中增加深度带来的梯度消失和梯度爆炸问题，由此可以利用残差网络训练很深很深的网络。

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761080" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761080&handlekey=savephoto_761080">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

所使用的数据集，模型训练和检测部分来自 [CODE-15%: a large scale annotated dataset of 12-lead ECGs](https://zenodo.org/records/4916206)，数据验证部分来自 [Sami-Trop: 12-lead ECG traces with age and mortality annotations](https://zenodo.org/records/4905618)。

### 在线系统

在线系统部分，使用Gradio框架开发。Gradio是一个将机器学习模型封装为交互式在线应用程序的Python框架。

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761078" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761078&handlekey=savephoto_761078">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

在上述在线系统中，还通过 dashscope 调用了阿里千问的接口，通过AIGC获取针对性的建议信息。

## 四、各部分功能说明

### 硬件平台

硬件平台为 LicheePi 4A，系统使用eMMC，数据使用256G SD卡存储。

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761074" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761074&handlekey=savephoto_761074">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

### 模型训练

模型训练部分，使用到了上述 [CODE-15%: a large scale annotated dataset of 12-lead ECGs](https://zenodo.org/records/4916206) 数据集：

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761077" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761077&handlekey=savephoto_761077">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

该数据集使用HDF5格式进行存储，可以借助HDFView工具进行查看：

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761073" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761073&handlekey=savephoto_761073">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

对应的系统文件如下：

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761075" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761075&handlekey=savephoto_761075">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

训练过程如下：
```
# 训练
pip instll -r requirements.txt
export PATH_TO_HDF5=/media/256G/Projects/ecg/data/exams_part0.hdf5
export PATH_TO_CSV=/media/256G/Projects/ecg/data/exams.csv
python train.py $PATH_TO_HDF5 $PATH_TO_CSV
```
训练的过程会比较漫长，在此期间，LicheePi 4A将经过长时间的高强度锻炼：

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_761081_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>iShot_2023-12-06_18.05.27.png</strong> <em class="xg1">(232.39 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761081" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761081&handlekey=savephoto_761081">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

训练完成，将会得到模型文件：

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761068" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761068&handlekey=savephoto_761068">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

### 在线系统
在线系统的入口文件为web.py，按照如下方式运行即可：
```
export PATH_TO_MODEL=./model
python web.py $PATH_TO_MODEL
```

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761072" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761072&handlekey=savephoto_761072">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

系统启动完成后，即可通过WEB界面访问：

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761071" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761071&handlekey=savephoto_761071">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

在此界面上，提供患者对应的信息，然后提交，即可得到预测结果：

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_761082" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=761082&handlekey=savephoto_761082">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

## 五、视频演示
对本次项目的背景、功能、系统结构进行讲解，并进行具体功能的演示：
<div id="player_0521e2b131793011ec4ef3b29346e94c0" class="localvideo-box"></div><div class="localvideo-title">心电图年龄及死亡风险AI预测系统</div><br/>

## 六、项目源码

### 项目源码
源码地址：[ecg-age-prediction-system@gitee](https://gitee.com/honestqiao/ecg-age-prediction-system)

### 源码说明
* requirements.txt：Python环境运行依赖
* resnet.py：基于PyTorch的残差神经网络ResNet1d实现
* dataloader.py：数据加载类
* train.py：模型训练代码
* web.py：WEB界面代码

## 七、发布的博文
[【玄铁杯第三届RISC-V应用创新大赛】迟到的LicheePi 4A 开箱报告](https://bbs.eeworld.com.cn/thread-1261183-1-1.html)

## 八、项目总结
在这个项目中，选择在 RISC-V64(LicheePi 4A) 平台上部署和实现相关的功能，还是挺折磨人的，因为有很多Python模块，并不是那么容易安装的，很可能因为版本的问题，导致失败。特别是机器学习的项目，往往与相关的模块版本深度绑定。不过好在经过不断地探索，将相关环境完整的部署到了LicheePi 4A的Debian 12 平台上。

总体来说，这个项目的完成达到了预期的目标，实现了期望的功能。在开发的过程中，深入研究了ECG相关的国内外资料，了解学习到了很多的东西。
心电图数据往往需要专业的医生和工具进行分析查看，使用AI辅助进行分析，能够有效的降低其解析难度，并通过过往数据进行关联性分析，能够给出更多的干预建议。

在学习的过程中，研究了PyTorch、HDF5、Gradio、dashscope等多种框架、工具、库等，得以能够完成这个项目。

后续将会进一步研究学习，实现对心电图数据的更多项目数据的分析。

## 九、其他
在本系统开发的过程中，研究学习了上百篇文章资料，在此对所有的贡献者，深表感谢。

电子烂人 · 发表于 2023-12-14 23:41

给大佬打CALL

HonestQiao · 发表于2023-12-14 23:41

电子烂人发表于 2023-12-8 10:46 给大佬打CALL

多谢支持！

【玄铁杯第三届RISC-V应用创新大赛】心电图年龄及死亡风险AI预测系统 [复制链接]

最新回复

点评