英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
从串行三导联心电图派生标准12导联心电图的新型神经网络模型：在自我护理中的应用
Hussein Atoui, Jocelyne Fayn, and Paul Rubel, Member, IEEE
摘要
在过去的十年中，对12导联心电图的合成进行了调查，这是一种在既笨重又费时的情况下改善患者监护的方法。本文提出并评估了一种新方法，该方法基于对人工神经网络(ANNs)群组的使用，经过通用的和患者特定的非线性重建，从伪正交三导联子集衍生出12导联心电图。我们使用一组来自于里昂心脏病医院重症监护室的120名心脏病患者的串行心电图来训练并测试这个人工神经网络。然后，我们通过与通用的(p值le;0.05)和患者特定的(p值le;0.01)多元回归模型相比较，在定量水平上评估了合成心电图与原始心电图的相似性。这个ANN使用通用的和患者特定的人工神经网络变换，实现了研究人群的12导联心电图的精确重建，这展现了比通用的和患者特定的多元线性回归模型的重要优异性。因此，我们的基于神经网络的方法已被证明足够准确，可用于家庭护理以及非卧床情况，以从减少的导联心电图记录中合成标准的12导联心电图。
I.介绍
近年来，人们越来越对开发个性化和非医院护理系统感兴趣，以改善心脏护理的管理，减少治疗前的时间，从而降低心脏发病率和死亡率[1]-[3]。引起这种兴趣的原因是由于在西方国家，心血管疾病是导致早期残疾和过早死亡的主要原因。此外，由于人口迅速老龄化，心脏疾病患者的数量稳步增加，几乎有2/3的心脏疾病患者死于住院前的时间内。 因此，需要更大程度地部署用于院前护理的资源，以降低死亡率。
心电图是唯一可用于在家庭护理，自我护理，门诊或紧急记录情况下评估心脏病发生概率的诊断工具。但是，在这种情况下，记录标准的12导联心电图（这是心脏病专家经过培训才能准确分析和解释的唯一心电图代表）通常是困难且不切实际的。因此，设计一个最小的且易于使用的导联集合将非常有价值，从中可以准确地重建12导联的心电图[4]。
欧洲的增强型可移动个人心脏病智能检测解释系统项目（EPI-MEDICS）采用的解决方案是设计一种智能的便携式个人心电监护仪（PEM），其中嵌入了高级决策功能，能够记录简化但专业的三导联心电图，导出标准的十二导联心电图以检测心律不齐和局部缺血或急性梗塞等疾病，并发送警报信息以及电子健康记录（EHR）和相关的心电图副本给合适的护理者[3]。
为了实现这个目标，EPI-MEDICS项目决定采用一组易于使用的伪正交的心电图导联集合，它基于分别位于Mason Likar位置和V2位置的四个有源电极，事实证明，这种方法足够用于家庭护理或动态心电图记录[5]。这个项目还确定了一个通用线性变换矩阵，这个矩阵可以用来从被记录的三导联PEM心电图派生出标准12导联心电图的五个缺失导联(V1,V3,V4,V5和V6)。PEM设备的总体可用性和诊断准确性已被判断为非常高。然而，众所周知，可以通过使用患者特定的转换来进一步提高标准12导联心电图重建的准确性，这些转换可以存储在PEM设备中的智能卡上。因此，面临的挑战是设计一种能够从伪正交三导联心电图派生出12导联心电图的合成方法。如果记录伪正交三导联心电图信息的同时能够记录这三个导联的子集，那么这个伪正交三导联心电图将包含像原始12导联心电图一样多的诊断信息。
通常，用于导出重建变换的方法基于多线性回归方法[6]-[8]。但是，大多数患者特定的线性变换的研究仅在标准12导联心电图记录的子集上进行了评估，研究中训练和测试阶段是对相同数据进行的，或者在最佳情况下进行验证，即心电图在24小时内的一段时间内记录且电极位置与学习阶段相同。同样，评估从个性化和非医院式护理系统[9]（例如PEM系统）获得的心电图的导联重建的准确度也至关重要。
此外，即使当电极位置保持在相同位置时，线性变换可以产生很高的准确度[6]-[8]，但是这种方法也面临着严峻的挑战，即串行心电图在没有专业人员的帮助下被患者自己或者患者家属间隔几天或者几周进行记录。在这种情况下，心电图记录可能会显示由于可能的电极错位而导致的噪声或串行变化，从而阻碍了高质量的合成。
在这种噪声和不确定性的情况下，像人工神经网络这样的非线性方法被认为可以进一步提高重建精度并弥补传统线性方法的缺点[10]。实际上，科学文献中有很多这样的例子，非线性方法提供了传统方法的有效替代[11]。另外，也没有给出心脏信号的电生成是纯粹的线性过程[12], [13]。
这项研究的目的是提出一种新颖的，增强的方法，用于从伪正交三导联子集派生出12导联心电图。我们研究了如何使用基于人工神经网络的通用的和患者特定的非线性重建方法很好地重建12导联心电图。
II.材料和方法
A.研究人数
我们使用了一个10秒心电图的数据库，该数据库已记录了里昂心脏病医院重症监护病房的心脏病患者。每个患者有一对或两对心电图，每个心电图包括以下内容：
1）一个标准的10秒12导联心电图（以下称为参考心电图），使用标准数字心电图（Cardiette）记录；
2）一个基于I，II和V2(PECG)的10秒三导联PEM心电图。
PEM心电图的平均记录时间间隔少于参考心电图的半小时时间间隔。
与医院经验丰富的心脏病专家进行合作，对数据库的所有心电图进行了广泛的质量评估。目的是移除处于电极倒置、放错位置或诊断改变的情况下的心电图。
因此，研究人群包含157对数字心电图（采样率：500个样本/秒；分辨率：5mu;V），采集自120位患者（82位男性，38位女性；平均年龄plusmn;标准差=61plusmn;15岁）。在157条标准的12导联心电图描记中，有46例（占29.3％）被诊断为急性冠状动脉综合征(ACS)。心电图由Lyon程序[14]处理，该程序从每个原始10秒心电图记录中提取了一个时长为1秒的典型周期，并确定了相应的P,QRS和T起点和终点。最后，将来自代表周期的ECG信号用于P-T间期[P起点-18ms，T终点 38ms]中，以计算重建变换。
研究人群两个数据组DS1和DS2，分别为83对和74对心电图。数据组DS1由研究人群中只有一对心电图（21个急性冠状动脉综合征心电图和62个对照心电图）的83例患者（男性53例，女性30例）组成。数据组DS2由其余的37名患者组成，他们每3天（范围：1-21天）间隔平均记录两对（25个急性冠状动脉综合征心电图和49个对照心电图）。
|
|
|
图1 ANN的体系结构，用于合成V1,V3,V4,V5和V6五个缺失的导联(输出层)， 使用I,II和V2三导联心电图作为输入层，h个（通常1或2个）隐藏层，每个隐藏层包含n个神经元。 |
B.神经网络结构设计和训练
为了从已记录的（I,II和V2）12导联心电图子集中合成丢失的（V1,V3,V4,V5和V6）心电图信号，我们使用了一个由N个经监督误差反向传播算法训练的多层前馈人工神经网络组成的集合。每个单独的ANN包含一个由三个输入神经元组成的输入层（每个输入神经元代表一个已被记录的信号），一个由五个输出神经元组成的输出层（每个输出神经元代表一个派生的信号），h=1个隐藏层，每个隐藏层有n=15个神经元，如图1所示。输入层和输出层之间的关系通过隐藏层的神经元的权重和偏置来表示。这些权重和偏置是在训练开始阶段是随机选择的，然后在误差反向传播过程中进行迭代优化。在先前的实验和通过非线性方法合成生物医学信号中获得的初步结果的基础上，对隐层数、激活函数类型和每层神经元数量进行了选择[15]。像在近似任务中一样，线性激活函数被用作输出神经元，选择S形变换函数作为隐藏层。
为了克服训练过程固有的性能限制，例如每个人工神经网络的权重和偏置的初始设置的随机选择问题，我们采用了一种解决方案，即建立图1类型的包含N=50个独立ANN的ANN群组。ANN群组的五项输出是通过将N个独立ANN的输出相加并除以N获得的。因此，可以预期，作为中心极限定理的应用，ANN群组的性能将超过每个独立ANN的性能[3],[11]。
|
|
|
图2 从三导联PEM心电图中重构标准的12导联心电图。五个缺失的导联V1,V3,V4,V5和V6的合成是通过由50个ANN组成的群组的输出平均而获得的。 |
1）通用的神经网络训练：为了训练通用的ANN群组的N=50个独立ANN，我们采用了如下所示类似交叉验证的策略[16]。
数据组DS1的83个标准12导联心电图随机分为m=5个小组。ANN群组的每个独立ANN都接受了m次训练，每次排除其中一个训练小组。将m-1个小组的心电图并置以形成一个连续的心电图。监视其余小组的重建误差(均方根)，当并置的心电图也形成一个连续的心电图时，停止学习过程。对N个不同网络的每一个偏差和权重的初始化以及m个小组中的每一个，都重复此过程。然后，通过记录每种训练情况的迭代次数k并通过对Ntimes;m次训练的这些值取平均值来确定固定的迭代次数K1。 最后，以固定的迭代次数K1作为早期停止点，使用数据组DS1的83个12导联心电图上训练群组的每个网络。
2）患者特定的神经网络训练：理想情况下，每位患者需要三个串行12导联心电图，以得出患者特定的ANN集合：一个用于训练网络（ECG-L），一个用于停止学习过程（为避免网络过度设计）（ECG-S），一个用于测试已被训练的网络的泛化能力（ECG-T）。
不幸的是，我们的数据库中每个患者最多只能包含两个标准的串行12导联心电图（ECG-L和T）。为了克服这个困难，我们没有使用理想情况下由ECG-S确定的可变迭代次数后停止学习过程，而是如II部分-B.1所示，利用先前[15]中所述的不同的独立的串行数据库，以类似方式使用确定的迭代次数K2。然后，使用数据组DS2中每一名患者的第一参考心电图（ECG-L）训练N个独立ANN中的每一个，以此来执行学习过程。
3）神经网络模型重用：训练后，通用的和患者特定的的ANN变换将被测试，测试需使用与用于训练通用的和患者特定的群组的数据集不同的数据集。该测试旨在通过模拟在现实生活中的使用情况并测量两个变换模型的重建精度来评估ANN模型的性能。然而，仿真过程从一种重构方法到另一种重构方法有很大不同。在通用方法中，我们使用数据集DS2的第二个标准12导联和PEM的心电图对，即ECG-T和DS2中相应的PEM心电图作为测试集。如图2所示，由II部分-B.1中设计的通用的ANN群组合成了每个标准12导联和PEM心电图的五个“缺失”导联，然后，将重建的V1，V3至V6导联同DS2中相应的标准12导联心电图的原始导联进行了比较。在患者特定的方法中，根据II部分-B.2中所述的方法，我们使用数据组DS2中每一名患者的第一心电图对的第一个标准12导联心电图（ECG-L）对患者特定的ANN群组进行了培训。然后，通过派生标准数字心电图(Cardiette)（ECG-T）和PEM心电图的五个“缺失”导联，在相应每位患者的第二对心电图对上测试患者特定的ANN群组。最后，将重建的V1，V3到V6导联与相应的标准数字心电图 (Cardiette)（ECG-T）的原始导联进行比较。依次对验证数据集DS2的每种情况应用此过程。
C.多元回归综合系数计算
为了计算通用的多元回归变换，我们考虑了数据集DS1的83个标准12导联心电图。至于通用的ANN训练，将这83个心电图并置为一个连续的心电图。然后，我们使用(1)式类型的多元线性回归算法，计算了一个综合变换矩阵，该矩阵合成了PEM心电图缺失的V1，V3至V6导联。
|
|
(1) |
为了给数据集DS2的每个患者的每个第一个12导联心电图（ECG-L）计算一个单独的变换矩阵，通过使用相同算法，获得了患者特定的多元回归变换。
D.验证数据集（DS2）的三导联和12导联心电图信号校准和一致性控制
由于我们使用的是两种不同的记录系统（PEM和Cardiette），电极的位置也不同，同时由于两个心电图的记录不是同时进行的，因而在测量DS2的验证阶段使用的数据集的重建导联的拟合优度之前，首先必须将标准数字心电图（Cardiette）和PEM心电图的信号校准，并控制两个串行记录之间的一致性。因此，此步骤预示了PEM心电图日常使用的实际情况。
1）PEM心电图和Cardiette心电图信号对齐：为了建立PEM心电图和Cardiette心电图之间的时间偏移（延迟），我们计算了V2导联信号之间的互相关性。为了减少对伪影的敏感度，我们仅考虑了以下时间间隔中的信号[Q起点-18ms，T终点 38ms]。该算法包括以下步骤。
1）计算两个信号之间的互相关性；
2）通过互相关中最大值的定位来估计两个信号之间的时间偏移；
3）通过减去通过互相关方法测量的时移，将PEM心电图的整体QRS起点与标准12导联心电图的整体QRS起点对齐。
2）PEM和Cardiette记录的一致性控制：由于PEM和标准12导联心电图未同步记录，并且由于重症监护病房通常会出现心脏快速变化的情况，因此这两个心电图之间可能会有很大差异。此步骤的目的是评估记录的PEM和Cardiette心电图之间的差异是否太大，从而可能影响合成质量。一致性控制分为
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239191]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
