心電圖（ECG）是一種測量心臟電活動的常規方法，用于檢測和診斷心臟疾病，在日常體檢中也是必要的檢查項目。醫生會記住心電圖的正常參考值，了解異常心電圖的特征表現，現在已經形成了標準的心電分析流程，在醫院院內心血管診療中發揮重要作用。

心電輔助系統的研究開始于20世紀50年代，目前有多個成熟的商用系統。但是如果增加心臟收縮舒張的監測時間，隨之產生的心電圖數據越來越多，如何利讓機器用算法抓住其中的規律為疾病診斷提供依據？人工智能的算法在語音、圖像領域提取規律取得了非常好的成績，因此將人工智能算法應用于心電領域是值得好好探索的方向。由吳恩達領導的斯坦福大學機器學習小組，早在2017年的一篇論文研發出一種新的深度學習算法，分析心電圖數據可以診斷14種類型的心律失常。?

這里需要補充一下背景知識，心電是電壓信號，單導聯心電可用于節律類的心臟診斷，如心律不齊，多導聯的心電可以做更復雜的診斷。心電的原理是心肌細胞去極化的時候會在皮膚表面引起很小的電學改變，這種電壓差的連續變化反映了心臟收縮舒張的過程[1]。

?

第一篇：十年心電圖分析大總結

心電圖信號基本上與心臟的電活動（electrical activity）相對應。心電圖信號被用于各種用途，如測量心率、檢查心跳節律、診斷心臟異常、情感識別和生物特征識別。心電圖分析可以包含幾個步驟，如預處理、特征提取、特征選擇、特征轉換和分類。為了進行相關的分析，每個步驟的執行都是至關重要的。此外，采用適當措施和心電信號數據庫也在分析中發揮著重要作用。在本研究中，基于以上主要方面，對近十年來有關心電圖分析的文獻進行了全面的綜述。簡述了心電圖分析的各個步驟，并提供了相關研究。

論文信息："A survey on ECG analysis."?Biomedical Signal Processing and Control?43 (2018): 216-235.

?第二篇：用卷積神經網絡進行心臟病專家級的心律不齊檢測

吳恩達團隊和可穿戴心電圖監測設備廠商iRhythm合作，收集并標注了來自29163名患者的64121份心電圖數據，以200 Hz的頻率采樣，構建了大規模的訓練集和校驗集，用來訓練神經網絡。他們又從328名患者處收集了336份心電圖數據，構成了測試集。數據集中的心電圖樣本每段30秒，都經過專業醫生標注。測試集的數據標注則經過3名心臟病專家組成的委員會共同判斷得出。構建了34層神經網絡，包括33個卷積層、一個全連接層和softmax模型，以原始心電圖時間序列為輸入，每秒輸出一次預測標簽。論文的主要作者說：“心律信號之間的差異可能非常細微，比如說，有兩種心律不齊都叫做二度房室傳導阻滯的，它們在心電圖上的表現也非常相似，但一種需要立刻治療，一種不需要。”而這篇論文用深度神經網絡，從心電圖中識別14類心律不齊。

論文信息："Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network."?Nature Medicine?25.1 (2019): 65.?

?第三篇：使用人工智能心電圖檢查心臟收縮功能障礙

心電數據易獲取、成本低，能否成為無癥狀的左心室功能障礙（ALVD）的早篩工具？

無癥狀的左心室功能障礙存在于普通人群的比率是3％-6％，即使可以治療，該病會降低患者生活質量和減少壽命。目前還沒有用于該病低成本的，無創的篩查工具。

我們測試了這樣的假設：對來自美國梅奧診所（Mayo Clinic）的44959名患者使用一種常規的測量心臟電活動的方法，收集成對的12導聯心電圖和超聲心動圖數據，包括左心室射血分數（衡量收縮功能），我們訓練了一個卷積神經網絡，以確定患有心室功能障礙的患者，射出分率（ejection fractio）≤ 35％，并僅使用心電圖數據。當在一組獨立的52870名患者上進行測試時，網絡模型得出曲線下面積的值，敏感性，特異性和準確度分別為0.93和86.3％，85.7％和85.7％。

在沒有心室功能障礙的患者中，人工智能篩查呈陽性的患者未來發生心室功能障礙的風險是其他患者4倍（風險比4.1；95％置信區間，3.3 to 5.0）。將人工智能算法應用于心電圖，能夠實現一個長期監測的低成本功能，允許心電圖作為沒有癥狀個體的強大篩查工具來識別該病。

論文："Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram."?Nature Medicine?25.1 (2019): 70.

第四篇：區域聚集網絡，改進卷積神經網絡用于心電圖特征檢測

心電圖特征點的提取是心電圖自動分析技術的第一步。論文提出了一種新的端到端深度學習方法——區域匯聚網絡(RAN)，用于心電圖特征點的檢測。

采用1D卷積神經網絡(CNN)對心電圖信號進行自動處理。提出了一種新的區域聚集策略來代替傳統的全連通層作為回歸器。論文團隊為公共心電圖數據庫提供了可靠和準確的檢測性能。該方法在QT數據庫上的評價結果表明，該方法的檢測精度與國內先進的檢測方法具有可比性。實驗證明，深度學習方法是一種有效的心電信號分析方法。

論文信息："Region Aggregation Network: Improving Convolutional Neural Network for ECG Characteristic Detection."?. IEEE

第五篇：基于遞歸神經網絡和主動學習的全局可更新心電圖心跳分類系統

該系統通過單一分類器為所有患者實現了最先進的性能。論文所提出的優化機制顯著提高了整個系統的泛化能力。實施遞歸神經網絡以自動學習特征。通過心電圖（ECG）自動診斷心律失常所面臨的主要挑戰是個體患者之間的巨大差異以及標記臨床心電圖記錄的高成本。為了建立具有自動特征學習方案和有效優化機制的系統，我們提出了一種全局可更新的分類方案，稱為全局遞歸神經網絡（GRNN）。基于形態學和時間信息，采用遞歸神經網絡來探索心電圖搏動的基本特征。為了在獲得新樣本時提高系統性能，應用主動學習來選擇信息量最大的節拍并將其合并到訓練集中。隨著訓練集的增長，系統會更新。論文提出的全局遞歸神經網絡有三項主要創新。首先，依靠全局遞歸神經網絡的大容量和擬合能力，我們可以用單一模型對多個不同患者的樣本進行分類。其次，當訓練樣本和測試樣本來自不同的數據庫時，全局遞歸神經網絡提高了泛化性能。這可以解釋為優化機制找到最具信息性的樣本以改善作為訓練數據的性能。最后，遞歸神經網絡自動學習來自不同類別的樣本之間的潛在差異。實驗結果證明全局遞歸神經網絡系統通過單一模型實現了最先進的性能。在數據庫實驗中，訓練數據和測試數據分別來自不同的數據庫，與其他算法相比，全局遞歸神經網絡實現了顯著的改進。 ?

論文信息："A global and updatable ECG beat classification system based on recurrent neural networks and active learning."?Information Sciences?(2018).

?

第六篇：用深層網絡對心律失常進行注釋的方法

本研究旨在利用深度網絡對心律失常進行自動標注。研究類型包括竇性心律、心律失常、室上性心動過速、心室顫動或纖顫、室性心動過速。方法：將麻省理工學院惡性心室性心律失常數據庫和麻省理工學院正常竇性心律數據庫中的13s肢體導聯心電圖塊分成子集，進行5次交叉驗證。將這些信號重新采樣到200Hz，濾除基線漂移，投影到二維灰度譜中，然后送入一個全新結構的深層網絡。

該網絡利用殘差層提取單個時間點的特征向量，利用變分自動編碼器(VAE)提取隱式表示。在訓練過程中，將這些前半部分訓練到損失函數的某一閾值，然后在訓練過程中切換到剩余的雙向遞歸神經網絡(RNN)，即預測心律失常類別的前半部分。經過訓練的模型進入到容器的映像中，以便在終端或云端中部署。結論：對四種心律失常均有良好的敏感性和較好的準確率。在兩個心室心律失常也被觀察到了。此外，用變分自動編碼器進行隱式表示，可以顯著提高算法的收斂速度和精度。

論文信息："Method to Annotate Arrhythmias by Deep Network."?arXiv preprint arXiv:1806.07715?(2018).

編者注：

[1] Electrophysiology, Task Force of the European Society of Cardiology the North American Society of Pacing. "Heart rate variability: standards of measurement, physiological interpretation, and clinical use." Circulation 93.5 (1996): 1043-1065.

親愛的數據

出品：譚婧

美編：陳泓宇

?

?

總結

以上是生活随笔為你收集整理的人工智能应用于心电图：这6篇论文值得收藏的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。