使用卷積神經(jīng)網(wǎng)絡(luò)的自動心電圖診斷

Automatic
ECG Diagnosis Using Convolutional Neural Network

https://www.mdpi.com/2079-9292/9/6/951/htm

摘要

心血管疾病（CVD）是最常見的慢性和危及生命的疾病，因此被認(rèn)為是造成死亡的主要原因之一。基于最近流行的卷積神經(jīng)網(wǎng)絡(luò)（CNN）提出的新神經(jīng)體系結(jié)構(gòu)是使用心電圖（ECG）信號開發(fā)自動心臟病診斷系統(tǒng)的解決方案。更具體地說，ECG信號直接傳遞到經(jīng)過適當(dāng)訓(xùn)練的CNN網(wǎng)絡(luò)。該數(shù)據(jù)庫由從47位受試者（25位男性和22位女性）獲得的門診ECG檢查中提取的4000多個ECG信號實(shí)例組成。從測試數(shù)據(jù)集得出的混淆矩陣表明“正常”級別的準(zhǔn)確性為99％。對于“房性早搏”類別，心電圖節(jié)段被正確分類為100％的時間。最后，對于“室性早搏”類別，心電圖節(jié)段的正確分類率為96％。總體而言，平均分類精度為98.33％。靈敏度（SNS）和特異性（SPC）分別為98.33％和98.35％?；谏疃葘W(xué)習(xí)（尤其是基于CNN網(wǎng)絡(luò)）的新方法可確保在自動識別以及預(yù)防心血管疾病方面的出色性能。

關(guān)鍵詞： ECG信號檢測 ; 心血管疾病 ; 卷積神經(jīng)網(wǎng)絡(luò)（CNN） ; 心肌梗塞（MI）

1.簡介

多年來，醫(yī)生已經(jīng)意識到心血管疾病是一類被認(rèn)為是造成死亡的主要原因之一的疾病[ 1 ]。心血管疾病以心肌梗塞（MI）的形式發(fā)生。心肌梗塞，通常稱為心臟病發(fā)作，代表心肌在相當(dāng)長的時間內(nèi)無法收縮。在心臟病發(fā)作開始后一小時內(nèi)使用適當(dāng)?shù)闹委?#xff0c;可以降低正在進(jìn)行的心臟病發(fā)作的人的死亡風(fēng)險(xiǎn)。

當(dāng)發(fā)生心臟病時，第一診斷檢查包括心電圖（ECG），因此，是心血管疾病（CVD）的主要診斷工具。心電圖儀在測試時間內(nèi)檢測到心臟的電活動，然后將其顯示在反映心肌中周期性電生理事件的圖表中[ 2 ]。通過對心電圖痕跡進(jìn)行仔細(xì)分析，醫(yī)生可以診斷出可能的心肌梗塞。但是，重要的是要強(qiáng)調(diào)指出，手動檢測急性心肌梗塞的敏感性和特異性分別為91％和51％[ 3 ]。

開發(fā)一種可自動檢測心梗的計(jì)算機(jī)輔助系統(tǒng)將有助于心臟病醫(yī)生做出更好的決策。因此，近來，已經(jīng)對自動MI檢測進(jìn)行了各種研究。

考慮到心臟異常分類的非線性，最近已采用基于神經(jīng)網(wǎng)絡(luò)的技術(shù)。在一項(xiàng)先例研究中，作者提出了一種基于徑向基概率神經(jīng)網(wǎng)絡(luò)（RBPNN）的訓(xùn)練技術(shù)，以便為心血管疾病的診斷提供有效的解決方案[ 4 ]。該方法已經(jīng)過ECG分析和檢測異常心跳的測試，這些異常已由網(wǎng)絡(luò)按相關(guān)病理分類。

近日，筆者成功地試驗(yàn)了最新和最具創(chuàng)新性的神經(jīng)網(wǎng)絡(luò)（NN）模型[ 5，6 ]，更具體地說，機(jī)器和深度學(xué)習(xí)技術(shù)，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）和音頻生物識別技術(shù)[ 7，8，9 ]。CNN已被用于心律失常檢測，冠狀動脈疾病的檢測，和節(jié)拍分類[ 10，11，12 ]。深度信任網(wǎng)絡(luò)已被用于對ECG中的信號質(zhì)量進(jìn)行分類[ 13 ]。

一些研究人員已經(jīng)實(shí)現(xiàn)了11層CNN來檢測MI [ 14 ]。作者已經(jīng)證明了淺層卷積神經(jīng)網(wǎng)絡(luò)的使用，僅側(cè)重于下心肌梗塞。該網(wǎng)絡(luò)得益于在同一卷積層中使用變化的濾波器大小，這使可以從變化長度的信號區(qū)域中學(xué)習(xí)特征。

在[ 15 ]中，作者提出了使用MLP（多層感知器）網(wǎng)絡(luò)和CNN網(wǎng)絡(luò)的心血管疾病分類系統(tǒng)。特別是，使用相同的數(shù)據(jù)集但使用不同的類別，比較了兩個模型獲得的結(jié)果。MLP網(wǎng)絡(luò)中使用了兩個類別：“心律不齊”和“正?！?#xff0c;而四層CNN使用了九個類別。用于訓(xùn)練/驗(yàn)證和測試數(shù)據(jù)集的ECG數(shù)據(jù)可從PhysioBank.com和kaggle.com下載。這項(xiàng)研究表明，使用MLP網(wǎng)絡(luò)和CNN網(wǎng)絡(luò)的性能均很低，分別為88.7％和83.5％。

還有許多其研究使用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法通過ECG信號處理心臟病分類。表1列出了主要技術(shù)列表，比較了所使用的學(xué)習(xí)模型，所實(shí)現(xiàn)的CNN參數(shù)和所獲得的性能。

表1. 基于CNN網(wǎng)絡(luò)使用的ECG信號分類的主要技術(shù)。

許多論文從PQRST復(fù)合體中提取功能，并利用了基于其技術(shù)的機(jī)器學(xué)習(xí)算法。在[ 19 ]中，作者使用粗糙集（RS）和量子神經(jīng)網(wǎng)絡(luò)（QNN）來識別心電圖（ECG）信號。對于特征提取（Peaks-P，Q，R，S和T波），在信號歸一化之后，使用小波變換（WT）。然后，將RS的屬性約簡用作預(yù)處理器，以便可以從決策表中刪除冗余屬性和沖突對象，但可以無損地保留有效信息。然后，采用梯度下降法對基于QNN的分類建模和預(yù)測測試進(jìn)行訓(xùn)練。這些系統(tǒng)的準(zhǔn)確性為91.7％。

在[ 20 ]中，使用MIT-BIH心律失常數(shù)據(jù)庫中的記錄來計(jì)算RR間隔。本文比較了MLPNN和SVM（支持向量機(jī)）分類器。結(jié)果表明，MLPNN具有良好的測試性能，而SVM具有良好的訓(xùn)練性能。

在[ 21 ]中，作者提出了一項(xiàng)基于CNN以外的機(jī)器學(xué)習(xí)技術(shù)的ECG信號分類調(diào)查。

該研究的表1重點(diǎn)介紹了對ECG信號進(jìn)行分類的主要技術(shù)，包括每篇論文中特征的數(shù)量，特征名稱，預(yù)處理技術(shù)，數(shù)據(jù)庫，建模技術(shù)，使用的性能指標(biāo)以及準(zhǔn)確性。

本文基于將基于CNN的分類網(wǎng)絡(luò)直接應(yīng)用于EGC信號，提出了一種低復(fù)雜度的心臟病自動識別解決方案，從而繞開了從時域到其域（例如頻域）的任何可能的心臟病ECG信號。 MFCC（Mel-頻率倒譜系數(shù)），小波等。本文在以下三個類別中評估了分類器的性能：“正?！?#xff0c;“房性早搏”和“室性早搏”。所獲得的性能是顯著的。

2.心電圖信號和數(shù)據(jù)集

從圖形或數(shù)字的角度來看，心電圖（ECG）代表心臟在其操作過程中的電活動。在每個心動周期重復(fù)的ECG波形的最重要元素如圖1所示。

圖1. 典型的心電圖（ECG）波形及其特征模式（P和T波，PR和ST段，PR和QT間隔以及QRS復(fù)合波）。

進(jìn)行心電圖檢查是為了提供有關(guān)人可能患有的各種心臟病的信息[ 22 ]，以確保有效的治療。

根據(jù)國際慣例，在心電圖軌跡中識別的特定點(diǎn)用字母P，Q，R，S，T標(biāo)記，尤其是以下各項(xiàng)：

· P波：在ECG周期中發(fā)生的第一波，是代表心房去極化或最通常稱為“心房收縮”的小偏轉(zhuǎn)；

· T波：代表心室去極化或最常見的“心室舒張”；

· Q，R和S波：這些波一起形成了所謂的QRS復(fù)合波。QRS復(fù)合物代表心室的收縮，或者從技術(shù)上來講，代表心室的去極化復(fù)合物。特別地，Q波代表心室間隔的去極化，R波反映心室主要部分的去極化，而S波是心臟底部的心室的最終去極化。

總而言之，P，Q，R，S和T波構(gòu)成了所謂的PQRST復(fù)數(shù)。心臟科醫(yī)生用術(shù)語“ RR間期”表示兩個PQRST復(fù)合體之間的間隔，這對應(yīng)于心動周期。

其已廣泛用于使用ECG跟蹤進(jìn)行醫(yī)學(xué)診斷的參數(shù)是：

· PR間隔或PQ間隔：PR間隔是由P波和PR段形成的拉伸（直線拉伸），從P波開始，即在第一次偏轉(zhuǎn)期間，終止于QRS波群。該間隔表示去極化波從心房竇房結(jié)沿心肌的心臟電傳導(dǎo)系統(tǒng)的一部分傳播的時間。

· ST段，即QRS波群結(jié)束到T波開始之間的時間；

· QT間隔，即QRS波群開始到T波結(jié)束之間的時間，這是心室去極化和復(fù)極化的心電圖表現(xiàn)[ 23 ]。

當(dāng)對患有心臟病的患者執(zhí)行ECG時，該圖概述了與圖1所示波形不同的波形。例如，QT間隔可能比正常間隔長，這表明患者可能患有室性心律不齊；ST段可以具有標(biāo)高，其可以與心肌梗死有關(guān)[ 24，25 ]。

一個在該領(lǐng)域最常用的數(shù)據(jù)庫的是PhysioNet
[ 26，27 ]; 具體而言，本研究使用了MIT-BIH心律失常數(shù)據(jù)庫，如表1所示。在公開數(shù)據(jù)共享-Public
Domain Dedication＆License v1.0 [ 28 ] 下有大量記錄的生理信號。

PhysioNet數(shù)據(jù)庫由48條兩通道門診的ECG記錄組成，每條記錄長30分鐘，與不同的臨床病理情況（例如，室性和室上性心律失常，室性心律失常，房顫等）相關(guān)。

該數(shù)據(jù)庫包含來自47位受試者的ECG記錄：25位年齡在32至89歲之間的男性和22位年齡在23至89歲之間的女性。從波士頓貝思以色列醫(yī)院的住院患者（約60％）和門診患者（約40％）的混合人群中收集的4000份24小時動態(tài)ECG記錄中隨機(jī)選擇了23份記錄；其余25份錄音選自同一組，以包括較少見但具有臨床意義的心律不齊，而在少量隨機(jī)樣本中將不能很好地體現(xiàn)出這種心律失常。記錄以每通道每秒360個樣本的速度在10 mV范圍內(nèi)以11位分辨率數(shù)字化。

心臟病專家獨(dú)立注釋每個記錄；解決分歧以獲取數(shù)據(jù)庫中包含的每個節(jié)拍的計(jì)算機(jī)可讀參考注釋（總共大約110,000個注釋）。

該數(shù)據(jù)庫由三類組成：

· 正常;

· 心房過早搏動；

· 心室過早收縮。

圖2顯示了正常搏動，房性早搏和室性早搏之間ECG波的差異。圖2的第一張圖顯示了正常搏動的ECG波，即不受病理影響的心跳。該圖可以追溯到圖1中的“理想” 圖。第二張圖顯示了心電圖波受房性早搏或房性早搏（PAC）的影響。

圖2. 三種心跳類別的ECG波形。

這是一種常見的心律失常，其特征是源自心房的早搏。雖然竇房結(jié)通常在正常竇性心律期間調(diào)節(jié)心跳，但是當(dāng)心房的另一個區(qū)域在竇房結(jié)之前去極化并觸發(fā)早搏時，就會發(fā)生PAC。因此，與正常ECG波的差異在于過早形成的PR段。在圖2中，“ RR更長”代表QRS復(fù)合體之間的時間，而“ SA重置”表示電脈沖的重整從竇房（SA）節(jié)點(diǎn)開始并傳播到房室（AV）節(jié)點(diǎn)。

第三張圖顯示了心電圖波受室性早搏（PVC）的影響。

這是一個相對常見的事件，心跳始于心室而不是竇房結(jié)。

綜上所述，現(xiàn)在很清楚，自動診斷系統(tǒng)在檢測組成PQRST復(fù)合體的波浪和線段的持續(xù)時間和形狀方面的差異時必須如何執(zhí)行。

作者沒有記錄使用過的數(shù)據(jù)集，而是源自2001年Moody等人的一項(xiàng)研究。[ 26 ]。因此，作者不對應(yīng)用的數(shù)據(jù)收集程序負(fù)責(zé)。該數(shù)據(jù)庫的原始作者指出，已遵守所有道德要求。而且，該數(shù)據(jù)庫現(xiàn)在可以在線使用很長時間了，并且已經(jīng)在許多最近的出版物中得到了廣泛使用（參見表1）。最后，數(shù)據(jù)庫中的所有記錄均已匿名化。

3. 基于CNN的心電圖疾病分類

3.1. CNN的一般特征和采用的架構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)或CNN是一種特殊的神經(jīng)網(wǎng)絡(luò)，用于處理具有已知網(wǎng)格狀拓?fù)涞臄?shù)據(jù)。示例包括時間序列數(shù)據(jù)和圖像數(shù)據(jù)，該時間序列數(shù)據(jù)可以被視為以規(guī)則的時間間隔進(jìn)行采樣的一維網(wǎng)格，而圖像數(shù)據(jù)可以被視為像素的二維網(wǎng)格。

該網(wǎng)絡(luò)的一般特性和體系結(jié)構(gòu)在[ 29 ]中進(jìn)行了描述，唯一的區(qū)別是所使用的采樣率。在本研究中以及在[ 30 ]中，采樣率為44.1
kHz而不是8 kHz。

深度卷積神經(jīng)網(wǎng)絡(luò)主要包括：

1. 一維卷積層
   

2. 批標(biāo)準(zhǔn)化層；
   

3. ReLU（校正線性單位）層；
   

4. 池層；
   

5. Softmax。
   

僅在第一次卷積中，相對于隨后將其設(shè)置為3的卷積層，使用了由80個元素組成的卷積核，目的是減少計(jì)算成本。

每次卷積后，均進(jìn)行批量歸一化，以避免參數(shù)爆炸和“消失梯度”現(xiàn)象。批量歸一化允許訓(xùn)練深度網(wǎng)絡(luò)，并在每個卷積層之后和執(zhí)行ReLU（整流線性激活函數(shù)）之前應(yīng)用。CNN中的池級（位于RELU之前）減少了網(wǎng)絡(luò)數(shù)據(jù)過擬合的問題，使輸入大小僅為實(shí)際輸入的一半。

與使用完全連接的神經(jīng)元作為輸出層的經(jīng)典CNN不同，此網(wǎng)絡(luò)執(zhí)行單個AvgPool，然后執(zhí)行LogSofMax softmax，然后執(zhí)行自然對數(shù)對數(shù)（softmax（x））。

提議的網(wǎng)絡(luò)的結(jié)構(gòu)在下面的表2中說明。

表2. 建議網(wǎng)絡(luò)的結(jié)構(gòu)。

圖3顯示了所提出的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

圖3. 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。

深度神經(jīng)網(wǎng)絡(luò)既可以提取特征并對其分類，而不必分別執(zhí)行這兩個功能。經(jīng)過處理后，基于卷積神經(jīng)網(wǎng)絡(luò)（CNN），通過三類ECG信號，將ECG記錄發(fā)送到CNN網(wǎng)絡(luò)，作為病理分類的輸入：正常，房性早搏和室性早搏三類。 。

3.2. 訓(xùn)練/驗(yàn)證和測試數(shù)據(jù)集

神經(jīng)網(wǎng)絡(luò)輸入由30 s段組成，其中ECG記錄的每一秒相當(dāng)于360個樣本，總共10,800個樣本。

因此，數(shù)據(jù)集呈現(xiàn)以下類：

· “普通”班級，包含1421個ECG段；

· “心室過早收縮”類別，包含335個ECG節(jié)段；

· “心房過早搏動”類，包含133個ECG節(jié)段。

隨后將此數(shù)據(jù)集分為兩個不同的數(shù)據(jù)集，請參見下面的圖4：

圖4. 用于學(xué)習(xí)（70％）和測試（30％）的ECG細(xì)分的分布。學(xué)習(xí)數(shù)據(jù)集的百分之三十用于網(wǎng)絡(luò)驗(yàn)證。

· 訓(xùn)練/驗(yàn)證集，由“正常”類別的995個細(xì)分，“室性早搏”類別的234個細(xì)分和“房性早搏”類別的93個細(xì)分組成。這套玩具中有70％用于訓(xùn)練，其余30％用于測試；

· 測試裝置包括“正?！奔墑e的426個段，“室性早搏”級別的101個段和“房性早搏”級別的40個段。

首先，通過輸入與“訓(xùn)練集”相關(guān)的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后使用“驗(yàn)證集”對其進(jìn)行驗(yàn)證，以評估神經(jīng)網(wǎng)絡(luò)的性能（損失百分比和準(zhǔn)確性） 。最后，“測試集”用于通過準(zhǔn)確性估計(jì)來驗(yàn)證和驗(yàn)證神經(jīng)網(wǎng)絡(luò)對訓(xùn)練/驗(yàn)證集外部數(shù)據(jù)的魯棒性。

4.方法

如前所述，出于性能評估的目的，建議的研究使用了PhysioNet數(shù)據(jù)庫，該數(shù)據(jù)庫通常在基于ECG信號進(jìn)行心臟病理自動分類中用作參考數(shù)據(jù)庫。從該數(shù)據(jù)集中，獲得了與神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和測試有關(guān)的數(shù)據(jù)，用于評估分類準(zhǔn)確性。準(zhǔn)確性表明，該網(wǎng)絡(luò)對與心臟病有關(guān)的兩類（“房性早搏”和“室性早搏”）進(jìn)行了很好的分類，而與健康狀況有關(guān)的一類則得到了很好的分類。根據(jù)從混淆矩陣獲得的結(jié)果，可以使用統(tǒng)計(jì)分類函數(shù)對提出的方法進(jìn)行評估[ 31]：靈敏度，也稱為真陽性比（TPR），特異性，也稱為真陰性比（TNR），Fall-Out，也稱為假陽性比（FPR），以及測試準(zhǔn)確性的度量。

因此，可以定義上述每個統(tǒng)計(jì)分類參數(shù)的含義：靈敏度指示屬于特定類別并正確歸入該類別的ECG記錄的百分比；特異性衡量了分類器對不屬于該類別的ECG記錄進(jìn)行分類的頻率；輻射表明，心電圖記錄被認(rèn)為屬于特定類別，但實(shí)際上，并不屬于其中。錯誤的發(fā)現(xiàn)比率表明，心電圖記錄不屬于特定類別，但實(shí)際上是其中的一部分；F1分?jǐn)?shù)考慮了測試的準(zhǔn)確性和恢復(fù)性，其中精度為真陽性（TP）數(shù)除以所有陽性結(jié)果的數(shù)量，即真陽性（TP）加上假陽性（FP）；

以下等式與先前描述的分類函數(shù)有關(guān)。

5.績效分析

5.1. 檢測結(jié)果

在本節(jié)中，將介紹和討論神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果和后續(xù)驗(yàn)證。圖5a，b分別表示訓(xùn)練和驗(yàn)證損失的進(jìn)度以及訓(xùn)練和驗(yàn)證準(zhǔn)確性的進(jìn)度。如圖所示，在100個時期之后，訓(xùn)練和驗(yàn)證損失的值穩(wěn)定在接近零的值（圖5a），而訓(xùn)練和驗(yàn)證的準(zhǔn)確性穩(wěn)定在100％。

圖5. （a）訓(xùn)練和驗(yàn)證損失，（b）訓(xùn)練和驗(yàn)證準(zhǔn)確性。

這樣的數(shù)據(jù)非常令人鼓舞，因?yàn)閾?jù)了解，上述三個類別的分類準(zhǔn)確率很高。

為了評估帶有訓(xùn)練數(shù)據(jù)集外部ECG序列的CNN網(wǎng)絡(luò)的性能，評估了使用“測試集”獲得的準(zhǔn)確性。圖6顯示了相對混淆矩陣。

圖6. “測試集”的混淆矩陣。

矩陣突出顯示了平均分類準(zhǔn)確度水平為98.33％。

表3中顯示了根據(jù)第5節(jié)中描述的統(tǒng)計(jì)參數(shù)獲得的結(jié)果。

表3. 該表報(bào)告了準(zhǔn)確性TPR，TNR，TPR，TDR和F1分?jǐn)?shù)的總體值。

5.2. 交叉驗(yàn)證分析

在本段中，描述了用于數(shù)據(jù)交叉驗(yàn)證的方法，該方法用于獲取模型泛化誤差的可靠估計(jì)，或者用于CNN網(wǎng)絡(luò)對除學(xué)習(xí)數(shù)據(jù)以外的數(shù)據(jù)的行為。

特別是，在這項(xiàng)研究中使用了K折[ 32 ]交叉驗(yàn)證，該驗(yàn)證涉及將訓(xùn)練數(shù)據(jù)集隨機(jī)分為k個部分而無需重新整合：K-1個部分用于訓(xùn)練模型，而一部分用于測試。重復(fù)此過程k次，以獲得k個模型和性能估計(jì)。

隨后，基于不同的獨(dú)立細(xì)分來計(jì)算模型的平均性能，以獲得對訓(xùn)練數(shù)據(jù)的分區(qū)不太敏感的性能估計(jì)。

由于k折交叉驗(yàn)證是無需重新集成技術(shù)的重采樣，因此該方法的優(yōu)勢在于，每個樣本點(diǎn)將僅是訓(xùn)練和測試數(shù)據(jù)集的一部分，從而提供了模板性能的較低方差估計(jì)。

在本研究中，訓(xùn)練數(shù)據(jù)集分為十個部分，K
= 10，并且在十次迭代中，使用了九個部分進(jìn)行訓(xùn)練，其中一個部分用作模型評估的測試集。另外，然后使用每個部分的估計(jì)性能E i（例如，分類的準(zhǔn)確性）來計(jì)算模型的平均估計(jì)性能E。圖7描繪了k折交叉驗(yàn)證技術(shù)的概念。本研究中使用的模型的平均準(zhǔn)確度和標(biāo)準(zhǔn)偏差為96.8±1.2％。

圖7. 將訓(xùn)練集細(xì)分為k = 10部分的K折交叉驗(yàn)證方法。

6.討論

表4顯示了方法與其方法在特征提取（FE），使用的模型，系統(tǒng)的準(zhǔn)確性和統(tǒng)計(jì)分類準(zhǔn)確性方面的比較。

表4. 提議的方法與先前研究的方法之間的比較。

在下文中，已經(jīng)討論了這項(xiàng)工作與最新技術(shù)之間的差異。在[ 33，34 ]中，作者使用的判決樹的（DT）提取和R峰（RP）為特征，并沒有應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)（CNN），而是離散小波變換（DWT）和進(jìn)料前向神經(jīng)網(wǎng)絡(luò)（FFNN）。作者聲稱平均準(zhǔn)確度分別為96.56％和87.66％，而在研究中，平均準(zhǔn)確度等于98.1％。該結(jié)果比[提出的結(jié)果高33，34 ]。

相較于辦法中提出[ 5，14，15，16，33，34 ]，方法具有較高的分類性能。至于提出的研究[ 17，18 ]而言，很明顯，有相當(dāng)類似表演，但用更多的隱藏層比研究中，在計(jì)算成本隨之增加。此外，使用小波變換對數(shù)據(jù)進(jìn)行了預(yù)處理，這意味著額外的計(jì)算成本。從神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)來看，[ 17尤其是，使用五層（兩個卷積層，兩個下采樣層和一個完整連接層）加上由Softmax形成的輸出層進(jìn)行分類；但是，使用了另一種結(jié)構(gòu)（前面已經(jīng)描述過），這種結(jié)構(gòu)對于“消失梯度”現(xiàn)象更加健壯。

另外，為確保模型正確，使用K折技術(shù)（先前描述）進(jìn)行交叉驗(yàn)證，平均準(zhǔn)確度為96.8％，標(biāo)準(zhǔn)偏差為±1.2％。

通常，處理單元執(zhí)行上述的自動疾病分類算法，在顯示屏上顯示診斷結(jié)果。一種可能的替代方法是通過數(shù)據(jù)蜂窩連接（4G加密狗）在實(shí)時的心電圖序列發(fā)送[ 35，36 ]對云平臺，其中的自動診斷ECG在“作為服務(wù)”模式下實(shí)現(xiàn)。通過將測試數(shù)據(jù)庫從發(fā)送器多次發(fā)送到4G數(shù)據(jù)接收器，可以驗(yàn)證對4G數(shù)據(jù)連接中常見的IP（互聯(lián)網(wǎng)協(xié)議）數(shù)據(jù)包丟失的可靠性。分類結(jié)果證實(shí)了在本地板上進(jìn)行處理時獲得的相同值。

7.結(jié)論

本文提出了一種基于最新和創(chuàng)新的CNN網(wǎng)絡(luò)的自動心臟病識別技術(shù)。所提出的技術(shù)具有較高的準(zhǔn)確性，并且實(shí)現(xiàn)的復(fù)雜度較低。這種方法利用了深度學(xué)習(xí)的潛力來捕獲ECG信號域中給定心臟病的典型特征。

使用“驗(yàn)證集”，提出的方法得出以下結(jié)果：

· 平均準(zhǔn)確度98.33％;

· 靈敏度98.33％;

· 98.35％的特異性;

· 假陽性率1.65％；

· 假陰性率1.66％；

· F1得分98.33％。

通過“討論”部分中的各種方法的比較和對比，可以肯定的是，本文中使用的方法產(chǎn)生了比最新技術(shù)更好的性能。

參考資料

EJ本杰明；密西根州布拉哈市；SE，Chiuve；庫什曼 SR，Das；Deo，R .; SD Ferranti，SD；弗洛伊德，J。福特納格；吉萊斯皮C. 等。2017年心臟病和中風(fēng)統(tǒng)計(jì)資料更新：美國心臟協(xié)會的報(bào)告。流通 2017年，135，146-603。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

M.Mitra; Samanta，R.使用具有選定功能的神經(jīng)網(wǎng)絡(luò)對心律失常進(jìn)行分類。程序 技術(shù)。 2013，10，76-84。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

SM薩勒諾; PC Alguire；Waxman，HS 12導(dǎo)聯(lián)心電圖解釋能力：已發(fā)表證據(jù)的總結(jié)和評估。安 實(shí)習(xí)生。中 2003，138，751-760。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

貝里特利，F?？ㄆR（G. Lo Sciuto，G .；那不勒斯 Wo?niak，M.一種新穎的訓(xùn)練方法，可以保留適用于ECG信號診斷的RBPNN分類器的通用性。神經(jīng)網(wǎng)絡(luò) 2018，108，131-138。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

貝里特利，F。卡皮齊（G. Lo Sciuto，G .；Scaglione，F。D.Po?ap；Wo?niak，M。在LTE / 4G網(wǎng)絡(luò)中使用信號強(qiáng)度的自動降雨分類的神經(jīng)網(wǎng)絡(luò)模式識別方法。于2017年7月3日至7日在波蘭奧爾什丁舉行的國際粗糙集國際聯(lián)合會議論文集。[ Google Scholar ]

貝里特利，F。卡皮齊（G. Lo Sciuto，G .；那不勒斯 Scaglione，F.通過使用概率神經(jīng)網(wǎng)絡(luò)基于LTE / 4G移動終端中接收信號的強(qiáng)度進(jìn)行降雨估計(jì)。IEEE訪問 2018，6，30865-30873。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

R.Avanzato；貝里特利，F。迪·佛朗哥（F. Puglisi，VF音頻分類的卷積神經(jīng)網(wǎng)絡(luò)方法用于降雨估計(jì)。于2019年9月18日至21日在法國梅斯舉行的第十屆IEEE國際智能數(shù)據(jù)采集和先進(jìn)計(jì)算系統(tǒng)國際會議論文集：技術(shù)與應(yīng)用。[ Google Scholar ]

貝里特利，F。Spadaccini，A。一種基于心音的生物特征身份驗(yàn)證的統(tǒng)計(jì)方法。于2010年7月18日至25日在意大利威尼斯舉行的第四屆新興安全信息，系統(tǒng)和技術(shù)國際會議論文集。[ Google Scholar ]

貝里特利，F。Spadaccini，A。語音活動檢測在法醫(yī)說話者驗(yàn)證中的作用。于2011年7月6日至9日在希臘科孚島舉行的第17屆IEEE數(shù)字信號處理國際會議（DSP 2011）會議錄中。[ Google Scholar ]

拉杰普卡（Rajpurkar）；漢嫩，AY；Haghpanahi，M。C. Bourn; Ng，AY使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行心臟病專家級心律失常檢測。arXiv 2017，arXiv：1707.01836?？稍诰€獲取：https：//arxiv.org/abs/1707.01836（于2020年6月5日訪問）。

烏拉圭阿查里亞；H.藤田; Lih，操作系統(tǒng)；亞當(dāng)（M. 譚建輝; Chua，CK使用卷積神經(jīng)網(wǎng)絡(luò)使用不同持續(xù)時間的ECG片段自動檢測冠狀動脈疾病。知道 基于系統(tǒng)。 2017年，132，62-71。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

Kiranyaz，S .；Ince，T。Gabbouj，M.通過一維卷積神經(jīng)網(wǎng)絡(luò)對患者進(jìn)行實(shí)時ECG分類。IEEE Trans。生物醫(yī)學(xué)。。 2016，63，664-675。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

塔吉（B.）陳，公元；Shirmohammadi，S.使用深度信念網(wǎng)絡(luò)對測得的心電圖信號質(zhì)量進(jìn)行分類。于2017年5月22日至25日在意大利都靈舉行的IEEE國際儀器和測量技術(shù)會議（I2MTC）會議錄中。[ Google Scholar ]

烏拉圭阿查里亞；H.藤田; 哦SL gi原 譚建輝; 亞當(dāng)，M。深層卷積神經(jīng)網(wǎng)絡(luò)在使用ECG信號自動檢測心肌梗塞中的應(yīng)用。Inf?？茖W(xué) 2017年，415，190-198。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

Savalia，S .；Emamian，V.通過多層感知器和卷積神經(jīng)網(wǎng)絡(luò)對心律失常進(jìn)行分類。生物工程 2018，5，35 谷歌學(xué)術(shù) ] [ 交叉引用 ]

祖拜爾 金，J。Yoon，C.一種使用卷積神經(jīng)網(wǎng)絡(luò)的自動化ECG搏動分類系統(tǒng)。于2016年9月26日在捷克共和國布拉格舉行的第六屆IT融合與安全國際會議論文集中；第1-5頁。[ Google Scholar ]

李丹；張建。張強(qiáng); Wei，X.基于一維卷積神經(jīng)網(wǎng)絡(luò)的心電信號分類。于2017年10月12日至15日在中國大連舉行的IEEE第19屆電子衛(wèi)生網(wǎng)絡(luò)，應(yīng)用和服務(wù)國際會議論文集。[ Google Scholar ]

UBBaloglu；塔羅，M。Oil.Yildirim; Tan，RS；Acharya，UR具有多導(dǎo)聯(lián)ECG信號和深CNN的心肌梗死分類。模式識別。來吧 2019，122，23-30。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

唐X. Shu，L.使用RS和量子神經(jīng)網(wǎng)絡(luò)對心電圖信號進(jìn)行分類。詮釋 J.多媒體無處不在的工程。 2014，9，363-372。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

M. Moavenian；Khorrami，H.心電圖心律失常分類中人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的定性比較。專家系統(tǒng) 應(yīng)用 2010，37，3088-3093。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

SH，Jambukia；VK達(dá)比；Prajapati，HB使用機(jī)器學(xué)習(xí)技術(shù)對心電信號進(jìn)行分類：一項(xiàng)調(diào)查。于2015年3月19日至20日在印度加茲阿巴德舉行的國際計(jì)算機(jī)工程與應(yīng)用進(jìn)步會議（ICACEA）會議錄中。[ Google Scholar ]

維杰亞瓦南（M. Rathikarani，V .; Dhanalakshmi，P.使用形態(tài)學(xué)特征對心臟病診斷進(jìn)行ECG信號自動分類。詮釋 J.計(jì)算機(jī) 科學(xué) 。技術(shù)。（IJCSET） 2014，5，449-455。[ Google Scholar ]

M.Sansone；富斯科河; Pepino，A .；Sansone，C.基于人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的心電圖模式識別和分析：綜述。J.健康 。 2013，4，465-504。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

Jollis，JG；格蘭杰（CB）；TD亨利；EM，安特曼；伯杰，PB；莫耶（PH）；FD Pratt；羅科斯，IC；阿肯色州阿庫尼亞；ML Roettig; 等。段抬高型心肌梗塞的護(hù)理系統(tǒng)：美國心臟協(xié)會使命：生命線報(bào)告。大約 心血管。質(zhì)量 結(jié)果 2012，5，423-428。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

王丹；Taubel，J .；Arezina，R.六個常用qt校正模型及其參數(shù)估計(jì)方法的比較。J.生物制藥。統(tǒng)計(jì) 2012，22，1148年至1161年。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

GB，穆迪；馬克（RG）；Goldberger，AL Physionet：用于研究生理信號的基于Web的資源。IEEE工程 中 生物學(xué) 2001年，20，70-75。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

GB，穆迪；Mark，RG MIT-BIH心律失常數(shù)據(jù)庫的影響。IEEE工程 中 生物學(xué) 2001年，20，45-50。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

阿拉巴馬州戈德堡；洛杉磯阿瑪拉爾；玻璃； L .；JM Hausdorff；PC的Ivanov；馬克（RG）；JE，Mietus；GB，穆迪；彭CK Stanley，HE Physiobank，physiotoolkit和physionet。循環(huán) 2000，101，E215-E220。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

戴，W。戴C. Qu，S .; 李建 Das，S.非常深的卷積神經(jīng)網(wǎng)絡(luò)，用于原始波形。2017年3月5日至9日在美國路易斯安那州新奧爾良舉行的IEEE國際聲學(xué)語音和信號處理國際會議記錄中。[ Google Scholar ]

R.Avanzato；Beritelli，F?；诰矸e神經(jīng)網(wǎng)絡(luò)的創(chuàng)新聲學(xué)雨量計(jì)。信息 2020，11，183 谷歌學(xué)術(shù) ] [ 交叉引用 ]

貝里特斯 薩爾澤河。Sergo，V.使用部分類成員資格的軟分類模型驗(yàn)證：敏感性和協(xié)同性的擴(kuò)展概念。用于星形細(xì)胞瘤組織的分級?；瘜W(xué)計(jì)量學(xué)。智力 實(shí)驗(yàn)室 Syst。 2013，122，12-22。[ Google Scholar ]

Scikit學(xué)習(xí)。Python中的機(jī)器學(xué)習(xí)?？稍诰€獲得：https：//scikit-learn.org/stable/（于2020年5月14日訪問）。

Sridhar，C .；烏拉圭阿查里亞；H.藤田; Bairy，GM使用從ECG信號中提取的非線性特征自動診斷冠狀動脈疾病。2016年10月9日至12日，匈牙利布達(dá)佩斯，SMC，在IEEE系統(tǒng)，人與控制論國際會議上發(fā)表的論文。[ Google Scholar ]

Ranjan，R .; Arya，R .; SL Fernandes；E.Sravya；Jain，V.一種用于睡眠EEG信號中自動k復(fù)雜檢測的模糊神經(jīng)網(wǎng)絡(luò)方法。模式識別。來吧 2018，115，74-83。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

SHR Bukhari；MH Rehmani；Siraj，S.無線網(wǎng)絡(luò)信道綁定的調(diào)查和未來派認(rèn)知無線電傳感器網(wǎng)絡(luò)的信道綁定指南。IEEE通訊。生存 導(dǎo)師。 2016，18，924-948。[ Google學(xué)術(shù)搜索 ]
[ CrossRef ]

貝里特利，F。加洛塔（A. Rametta，C。一種雙流方法，用于通過3G網(wǎng)絡(luò)增強(qiáng)VoIP服務(wù)的語音質(zhì)量。于2013年7月1日至3日在希臘圣托里尼舉行的IEEE國際數(shù)字信號處理（DSP）國際會議論文集上。[ Google Scholar ]

總結(jié)

以上是生活随笔為你收集整理的使用卷积神经网络的自动心电图诊断的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。