基于深度学习的心率失常检测方法
国家研究委员会（CNR），高性能计算和网络研究所（ICAR），Viap.Castelino111，Naples，意大利
亮点：
我们提出一个深层神经网络(DNN)的心跳分类 。
利用TensorFlow和谷歌深度学习开发库。
这里提到的深层神经网络是由已经被建立的7个隐藏层组成。
已经进行了实验测试深度学习的方法。
数值结果也已经证实了该方法的有效性。
在健康护理和生物信息学领域，尤其是与心律失常检测相关的最常见的人群的分类。心律失常是心脏搏动的不规则性，在某些情况下，心率失常是以患者的生命周期为基础的。为了适应不常发生的事件，通常使用电压设备来记录长期的心电图数据。因此，从大量的心电图数据中自动识别异常心跳是一项重要而必要的工作。在过去的二十年中，人们提出了大量的方法来解决心电图的心跳分类问题。目前，最早2000年的深度探索已经成为各领域艺术表现的一种展示。本文提出了一种新的心电搏动分类的深度学习方法。我们在麻省理工学院著名的心律失常数据库上进行了实验，并将实验结果与科学文献进行了比较。最后的结果表明，该模型不仅在精度上比现有技术更有效，而且在灵敏度和特异性方面具有竞争力。
1.介绍
心电图（ECG）是一种非侵入性的、廉价的、成熟的诊断工具，广泛应用于多种应用[1–3]中。它能反映心脏电活动随时间的变化，并包含广泛用于分析听觉功能的基本生理信息。心脏电场是由体表上的电极来编码的。它是以两个电极之间的电压（即电位差）来测量的。两个电极的组合，在身体中形成一条假想的线，沿着这条线，电信号被测量为“导线”。
心电图信号是周期性的信号，因为它们是由每个周期一次的波序列组成的：apwave、q、r和s波（形成q r s复合波）和t波，如图1所示。很少能检测到U波。心电图信号最典型的部分是QRS波群[4]。具体来说，对这个复合物的分析与beatto-beattclassification相对应。心律失常是指心率或心律不规则。心律失常时，心脏跳动过快、过慢或心律不规则。大多数心律失常是无害的，但有些是很严重的甚至危及生命。在心律失常期间，心脏可能无法向身体输送足够的血液。这样的血液流动不足会损害大脑、心脏和其他器官。
在临界水平上，心律失常可分为两类：危及生命和非危及生命。危及生命的，如心室颤动和心动过速，可能会引发心脏骤停和猝死。在这种情况下，病人需要紧急治疗。虽然非危及生命的心律失常可能不会导致即将发生的心力衰竭，但仍需及时治疗以避免心脏功能进一步恶化。在某些情况下，心律失常可能只是偶尔发生在病人的日常生活中。
为了捕捉这些不经常发生的事件，通常使用动态心电图仪来记录长期的心电图数据，因此，从大量的心电图数据中自动识别异常的心跳是一种非常重要和必要的任务，对第一种类型的心律失常进行了深入的研究，并开发了一些检测算法，并在自动外部检测中实现。除颤器（AED）[5–7]。要识别第二种类型，检测异位是关键步骤。
此外，对于长期心电图记录的分析，手工检查是一项繁琐而费时的工作，尤其是在床边监护或穿戴式医疗监护的情况下，实时诊断对初级医生来说是一项艰巨的任务。因此，临床医生通常采用计算机辅助的方法进行分析和解释CG信号。
如[8]所述，由于新型传感技术的快速发展，需要分析的心电图数据不仅数量巨大，而且对于传统的软硬件结构也很复杂。事实上，一些报告估计，2012年来自世界各地的数字医疗数据总计为500千兆字节（1015）。此外，预计在2020年[9]时将增加到25倍。
因此，需要解决方案来管理和分析具有合理时间复杂性和存储容量的复杂、多样和巨大的数据集。大数据分析是一种针对大型和复杂数据集的可操作的工具，它在管理大量医疗保健数据和提高医疗保健服务质量方面发挥着至关重要的作用。给病人。在这种情况下，其中一个挑战在于对这些数据的分类，它依赖于有效的分布式处理平台和先进的数据小型化和机器学习技术。
因此，为了应对心电搏动分类所面临的挑战，本研究引入了学习技术。最近，深度学习技术已经被许多公司使用，包括Adobe、Apple、百度、Facebook、Google、IBM、Microsoft、NEC、Netflix和Nvidia[10]，并平均了大量的应用领域，如[11,12]所示。在本文中，我们提出了一种用于心电图节拍分类的深度学习方法。使用Python编程语言，使用张量流框架，来自谷歌的深度学习库，开发了该方法。
我们在麻省理工学院著名的心律失常数据库上进行了实验，并与科学文献进行了比较。最后的结果表明，我们的模型不仅是在准确性方面，效率高于最新技术，但在敏感性和特异性方面也具有竞争力。
下面的第2节中，我们报告了现有自动心跳分类技术和算法的概述，并对它们的特性和特点进行了评论。第3节介绍了基于ECG的心率分类模型，详细描述了第3.1节中提供的MIT–BIH心律失常数据库（MIT–BIH-AR）。有关用于创建新数据集的信号处理的详细信息，请参见第3.2节，而其特性的描述请参见第3.3节。第3.4节描述了用于心跳分类的深度神经网络（DNN），并将其性能与其他著名的分类器进行了比较，显示了第4节的准确性、敏感性和特异性。最后，我们对未来工作的结论和想法在第5节中给出。
2.目前技术水平
大量的研究致力于自动心跳分类[13-16]。作品可分为两类，即“患者内”和“患者间”，分别称为“阶级导向”和“主题导向”[17]。患者内部范式[13,14]仅基于beat标签对整个数据集进行划分，因此，在两个数据子集中可能部分出现异常记录。使用这种方案，分类器通常会产生过于乐观的结果[18]。在临床实践中，分类性能与个体差异有关。
为了使数据集适应实际情况，de Chazal等人[15]提出了由不同的心电图记录构建训练和测试子集的患者模型，以便考虑个体间的差异，分类器具有更好的泛化能力。单铅分级机的灵敏度和特异性均达到最大，分别为83.0%和88.1%，但灵敏度和特异性均较低。
在麻省理工学院–BIH-AR数据集[20,21]中，采用了患者间模式[16,17,19]来评估分类绩效。
此外，Dechazaletal[22]还提出了一种称为“患者特定”的混合模式，其中，首先对全局分类器进行训练，然后使用局部分类器来调整全局分类器。[22]所述系统的总体性能准确率为97.4%，灵敏度为94.4%，特异性为98.4%。据报道，这种方法优于单纯的患者间分类器[7]所实现的方法。在这种范例的启发下，Ince等人[23]提出了“患者特异性”神经网络（NN），其中培训数据由两部分组成：（i）从培训记录中随机选择的常见代表性心跳；（i i）患者特异性BEA。从每段记录的前5分钟开始分段。Wiensetal.[24]受雇于受监督的vectormachine（SVM）激活了心跳分类的学习方法，而llamedo等人[16]研究了当专家有效地帮助主动学习迭代步骤时，性能将提高多少。
大多数研究遵循医学仪器（AAMI）建议[25]的进展，该建议指定了五个标签，即正常或束支阻滞跳动（n）、室上直视跳动（s）、心室直视跳动（v）、心室和正常跳动的融合（f）和不能分类的心跳（q）。这一建议使得在各种心跳分类器之间进行精确比较成为可能。
关于常用的心电图特征分类，R-R间隔周围的特征是最广泛使用的特征。R-R间期是指从一个QRS波群的峰值到下一个QRS波群的峰值的间期，如图1所示。最常用的R-R特性是预RR、后RR、局部RR和平均RR[15,16]。
同时还考虑了PP间期、P间期、QRS间期、PR间期、T间期和QT间期等时域特征。此外，还使用了P波、QRS波和T波心电图样本的“形态”特征，以及搏动和中位搏动之间的形态距离[24]，这些特征已经进行了临床研究，并规定了相关的诊断标准。
虽然基于心电向量图（VCG）的特征[16,26]可以提供有关心脏状况的全面信息，但VCG的重建需要更多的导联，因此这些特征的适用性相当有限。
提出了一种全自动配置（GE分类器）方法[27]实现了75.3%的准确度，69.6%的不敏感度，76.6%的特异性。这些结果是通过使用半自动混合专家（MOE）方法获得的。
此外，频域特征分析还可以为CG信号提供一致的洞察力。信号处理方法包括速度分解100（WT）[13,14,28]、主成分分析（PCA）和独立成分分析（ICA）[17]。虽然这些特征与清晰的数学解释相关，但它们没有生理意义，使医生能够直观地理解它们。因此，选择记忆相关特征是为了增强分类性能的潜在特征，这是一个巨大的挑战[29]。
Llamedo等[16]采用顺序浮动特征选择（sffs）算法对贝叶斯分类器进行了改进，试图为所有的子分类器找到一个最优的特征子集。然而，在临床实践中，不同的疾病具有不同的特征（症状）。通过分析这些特征，临床医生能够区分一种疾病与另一种疾病，或者区分疾病状态与健康状态。
基于这些考虑，我们尝试开发一种新的基于深度学习的方法，通过使用一些心跳样本和RR间隔周围的特征来提高心跳分类的性能。为了评价这一方法，我们与其他著名的分类器进行了比较，以确保在异常搏动与正常搏动的鉴别中具有更好的泛化能力。
3.基于心电图的心跳分类模型
3.1MIT–BIH-心律失常数据库
在这项工作中，我们使用了MIT–BIH心律失常数据库[20]，这是自1980年以来在无数科学工作中使用的一组标准测试材料，用于对心律失常检测器和分类器进行评估。它是通过收集47名受试者的24小时心电图记录汇编而成，这些受试者年龄从25岁到89岁，22名23到89岁。
使用Del-Mar航空电子445型双通道线轴对线轴霍尔特记录仪获取心电图记录，然后使用Del-Mar航空电子660型回放装置对每个信号进行数字化。用于数字化的硬件是在波黑心律失常实验室设计和建造的，包括磁带驱动器控制器和模数转换器（ADC）接口。为了使用简单的数字陷波滤波器，能够消除60赫兹时的主频率干扰，选择了每通道每秒360个样本的数字化率。
MIT–BIH心律失常数据库中的每一个心电图记录都包含两个不同电极的导联。
数据库中的导线是通过将电极放在胸部获得的改良肢体导线II（MLII）和V1。从MIT–BIH数据库中提取的记录示例如图2所示。记录的一个子集“200系列”包含罕见但临床上重要的心律失常，这些心律失常在小的随机样本中无法很好地表现出来（见图3）。
3.2 信号处理
从MIT–BIH心律失常数据库开始，我们通过将以下处理步骤应用于心电图信号，创建了一个新的数据集，如图4所示：
bull;去噪：消除由呼吸或患者运动引起的可能的电源线干扰和基线偏移，以检测心电图峰值。
bull;峰值检测：确定心电图信号中所有感兴趣峰值的位置。P波和T波的位置对于信号分割很有用。相反，R峰检测对于时间特征提取是必不可少的。
bull;信号分割：将ECG信号分割为单个信号，将被分类为正常或异常信号。
bull;时间特征x牵引力：提取关于CG信号趋势的信息，更准确地说，是关于信号变化的信息。
所有这些处理步骤都是在麻省理工学院-波黑心律失常数据库的每个受试者的v1导联上通过MathWorks发布的2014年b版（8.4.0.150421）在Mac OS Sierra 10.12.6版的iMac上执行的。
3.2.1去噪
如[31,32]所述，心电图信号通常会受到各种噪声信号的破坏，即伪影，例如电源线噪声，其中最常见的是[33]中的突出显示。由于这些伪影，相关信息不能轻易地从原始信号中提取出来，必须对原始信号进行建模和去噪处理。
图5显示了从MIT–BIH数据库中提取的噪声心电图信号。
在这些可能破坏心电图信号并导致错误诊断和/或分类的真正噪声源中，最常见的噪声源是电源线干扰[33]和基线漂移。电力线干扰包括60/50赫兹的拾波和谐波，其振幅为峰值峰值心电图振幅的50%。50赫兹干扰的一些常见原因见[34]。相反，基线漂移是由呼吸或患者运动引起的，这会在心电图峰值的检测中产生问题。
即使在科学文献中有许多专门描述创新和高性能的心电图信号去噪算法的手稿，例如[32,35]，我们选择采用与其他研究[15,22,36]相同的去噪技术，并在分类的同一天进行了讨论。我们决定有可能将建议的dnn与文献进行正确比较。因此，我们使用：（i）两个中值滤波器和（i i）一个12阶低通滤波器对心电图信号进行去噪，其截止频率为35Hz。
将长度n的中值滤波器应用于心电图信号x，意味着将长度n的滑动窗口应用于心电图信号，并且对于每个步骤，返回窗口中的中值。y（i）将是 ：
{x(iminus;(nminus;1)/2):x(i (nminus;1)/2) n为奇数；
x(iminus;n/2),x(iminus;(n/2) 1),...,x(i (n/2)minus;1) n是偶数 ；
图2.正常受试者的两个主要推导（导联）的心电图记录，即MLII和V1。垂直线代表R峰的位置。资料来源：physinot.org。
图5 有噪声的典型心电图信号：MIT–BIH数据库的115号受试者
图6 去噪步骤：原始心电图信号报告为蓝色（MIT-BIH数据库的受试者100的原始信号）
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。
