团论文网
团论文网
-
摘要：采用传统心电图开展心律失常诊断过程复杂、耗时耗力。因此，迫切需要研究一种准确的、自动的心律失常检测系统。基于MIT-BIH心率失常数据集，利用多模型对心电数据进行改良，并按AAMI标准对肢体导联II分类，找出最优维度和模型以助心律失常检测。研究旨在通过深度学习提高准确性和鲁棒性，有效识别和分类各种心律失常。对MIT-BIH数据集进行详细分析，使用多模型实验，结果显示深度学习在心律失常检测中准确性高，可有效识别和分类不同心律失常类型。研究成果有望推动自动化心律失常检测系统发展，缩短诊断时间、减少医疗资源浪费，提高服务质量和效率。这一创新成果对促进心脏疾病早期发现和治疗具有重要临床意义。
关键词：深度学习；ECG；心律失常；心率定位；心率异常分类
0引言
心律失常是一种常见而危重的心脏疾病，表现为心跳过快、过缓或节律不齐等症状，严重时甚至可能危及生命。全球范围内有数千万人患有心律失常，导致数百万人死亡。因此，及时、准确地诊断和治疗心律失常对于预防心血管疾病的发生和减少死亡率至关重要。心律失常的分类和诊断是心电信号处理领域的重要应用之一[1]。
传统的心电信号处理方法主要依赖人工提取特征和分类，存在特征选择和分类器设计的问题[2]。针对不同类型的心律失常，需要手动选择和调整算法参数，增加了人工干预的成本和难度。近年来，随着深度学习技术的迅猛发展，研究者们积极探索使用深度学习技术对心律失常进行自动分类和诊断[3-4]。深度学习作为一种基于神经网络的人工智能技术，通过训练大量数据来自动提取特征和模式，并实现高效分类和准确诊断。相较于传统机器学习方法，深度学习具有更强的表现力和泛化能力[5]，可处理更复杂的数据和任务，因此在医疗领域得到广泛应用。
深度学习技术的引入为心律失常的分类和诊断提供了新的思路和方法。通过自动学习和提取心电信号中的特征和模式，深度学习降低了特征选择和分类器设计的难度，同时提高了分类和诊断的准确率和效率。研究者们在心律失常分类和诊断方面取得了一系列良好的研究成果。不仅如此，一些研究者还尝试将深度学习技术与其他领域的技术结合，如自然语言处理技术、图像处理技术等，以进一步提升分类和诊断的准确率和效率。尽管深度学习技术在心律失常领域取得了显著进展，但仍然存在一些挑战和问题需要解决。首先，深度学习模型的黑盒性使得难以解释模型的分类结果和判断依据，这对医生对诊断结果的信任和接受度产生了影响。其次，由于数据的不平衡性和样本量的不足，深度学习模型可能面临过拟合或欠拟合的问题，从而影响分类和诊断的准确率和泛化能力。因此，在未来的研究中，需要进一步深入研究深度学习技术在心律失常分类和诊断中的应用，解决模型解释性和泛化能力的问题。同时，加强对数据的收集和处理，提高模型的鲁棒性和可靠性。
综上所述，本研究旨在探索深度学习技术在心律失常分类和诊断中的有效性，并致力于解决该领域面临的挑战，以提高自动化心律失常检测系统的性能，缩短诊断时间，降低医疗资源浪费，从而更好地服务于患者的健康。
1数据集选用与制作
1.1数据的选用
本项目数据来自MIT-BIH心律失常数据库的真实数据（体表心电图）共48条记录。这些记录是1975年至1979年间由麻省理工心律失常实验室研究的47名受试者的30 min双通道动态心电图记录摘录[6]。每个记录的每个节拍都有1个手动标注的QRS位置和类型的参考注释。本项目主要使用改良的肢体导联II（MLII）通道和矫正导联通道（V5）作为信号数据。
1.2数据集的制作
由于心电信号是一种非线性、非平稳、随机性强、差异性大、幅值微弱的生物电信号，典型的心电信号幅度通常只有0~4 mV，典型值为1 mV左右，频带为0.05~100 Hz[7]。在采集、放大和传输过程中，容易收到各种干扰，主要包括工频干扰、基线漂移和随机噪声。为了尽可能的消除这些干扰、本文采用了小波分解重构来对原始心率信号进行滤波。具体方法如下。
将原始信号进行9级小波分解，各频段信号如图1所示。
将45~90 Hz、90~180 Hz、180~360 Hz这3个频段置0，置0后如图2所示。
将分解后的各个频段按9级重构，重构前后波形对比如图3所示。可以看到经过小波变换重构后R峰间波形噪声减少，信号更平滑。
读取MIT-BIH手工心拍标注文件，在滤波后的心电数据中定位相应心拍R峰，定位结果如图4所示。
以R峰为基准点，取前面0.4 s后面0.5 s作为1个心拍，MIT-BIH数据采样率为360 Hz，所以提取R峰前144个数据点与R峰后180个数据点作为一个完整的QRS波输出，如图5所示。
将每个QRS波与其对应AAMI标准标签一起保存为CSV文件，至此一维数据集制作完毕。将每条一维数据分别生成对应的二维波形图（图5）、二维光谱图（图6），并将其保存为图片，以对应标签名命名。值得注意的是，本项目使用的光谱图汉明窗为80，非默认的255，原因在于小的汉明窗可以通过减少频谱泄漏来提高频谱分析的精度。频谱泄漏是指信号的频率成分在频域上受到干扰和混叠，导致在频谱图中显示出额外的峰值和谷值，使得信号的频率分布无法清晰地识别和分析。汉明窗的小尺寸可以减少窗函数的主瓣宽度，从而减少频谱泄漏，提高频谱分析的准确性。
至此所有维度数据集制作完毕。
2训练数据的载入与标准化
在数据集制作的过程中。存在数据分布不均衡的情况，统计各类标签数据数量情况为[90 511，2 776，7 232，802，7 998]。可以看到数据量最高的第1类比数据量最低的第4类比值约为112∶1，存在严重失衡的情况。会导致模型整体准确率严重虚高。故使用随机欠采样的方式，将第1类的数据打乱后随机丢弃到与第2类标签数量相同，随机欠采样后数据状况为[7 998，2 776，7 232，802，7 998]。这样类别1与类别4的比值约为10∶1，使得数据更加平衡，欠采样操作示意图如图7所示。
2.1一维数据标准化方式
一维数据标准化方式为Z-Score标准化，Z-Score标准化是一种常见的数据预处理技术，它将原始数据转换为具有标准正态分布特征的数据。这种标准化方法通常应用于具有不同尺度或方差的特征向量，以使它们具有相同的尺度和方差，从而使它们在模型训练和预测时具有更好的性能和鲁棒性。
具体来说，Z-Score标准化是通过将原始数据减去其均值，并除以其标准差来实现的。这样处理后的数据具有零均值和单位方差，即数据的平均值为0，标准差为1。这样的数据分布可以使数据更容易处理，并有助于提高训练模型的效果。
2.2二维数据标准化方式
在图像处理和计算机视觉中，通常将像素值表示为介于0和255之间的整数。将图像除以255可以将像素值缩放到介于0和1之间的浮点数，这是一种预处理步骤，有助于提高训练模型的稳定性和收敛速度。
在神经网络训练过程中，通常使用梯度下降等优化算法来更新模型的参数[3]。这些算法的效果受到输入数据的影响，通常期望输入数据的值在一个较小的范围内。因此，将像素值除以255可以使数据归一化，并确保输入数据的范围在0和1之间，从而有助于训练模型的稳定性和收敛速度。
此外，对于一些特定的神经网络结构，如卷积神经网络（CNN），输入图像的像素值通常需要归一化处理，以避免网络中的梯度爆炸或梯度消失问题[8]，从而提高网络的训练效果。因此，在训练CNN等神经网络时，对图像进行归一化处理是非常重要的步骤。
3损失函数选择
为了使各模型性能比较更加公平，所有模型的损失函数均统一采用了binary_crossentropy损失函数。之所以使用binary_crossentropy损失函数而不是categorical_cros⁃sentropy损失函数，是因为binary_crossentropy损失函数是一个简单的损失函数，可以很容易地实现和计算。相比之下，categorical_crossentropy损失函数需要对每个可能的类别计算一个softmax函数，然后计算交叉熵损失，计算成本较高。而且在多分类问题中，如果某些类别的样本数量很少，而其他类别的样本数量很多，则会出现类别不平衡问题[9]。使用categorical_crossentropy损失函数时，可能会导致模型过于关注数量较多的类别，而忽略数量较少的类别[10]。而使用binary_crossentropy损失函数时，可以为每个类别设置不同的权重，以平衡每个类别的重要性，并避免过于关注数量较多的类别。所以使用binary_crossentropy损失函数可以提供简单易用、易于实现和计算，并且可以有效处理类别不平衡问题的优势。为了使用binary_crossentropy损失函数，本项目所有标签在输入模型训练前都进行了one-hot编码，并在最后重新解码为常量标签。
4模型评分标准
在机器学习领域，经常需要对模型进行评估。评估模型的效果并不是一件简单的事情，不能仅凭模型的准确率来衡量它的性能，而需要结合其他指标来进行综合评估。在分类问题中，精确率、召回率和F1分数是评估模型性能的重要指标[11]。在分类问题中，通常会将数据集划分为训练集和测试集。训练集用于训练模型，而测试集用于评估模型的性能。在评估模型性能时，需要将模型对测试集的预测结果与测试集的真实结果进行比较。首先介绍精确率和召回率。它们是对模型性能的不同方面进行评估的指标[12-13]。精确率（precision）表示模型预测为正的样本中，真正为正的样本所占的比例[14]。召回率（recall）表示真正为正的样本中，被模型正确预测为正的样本所占的比例。具体地，精确率P和召回率R的计算公式如下：
式中：NTP（True Positive）为模型将真实为正的样本预测为正的样本数，NFP（False Positive）为模型将真实为负的样本预测为正的样本数，NFN（False Negative）为模型将真实为正的样本预测为负的样本数。
另一个重要的指标是F1分数[14]。它是精确率和召回率的调和平均数，可以用来综合评估模型的性能。其计算公式如下：
F1分数的取值范围为0到1之间，数值越高表示模型性能越好。当精确率和召回率同时很高时，F1分数也会很高，反之亦然。因此，F1分数可以用来衡量模型的整体性能，也可以用来选择精确率和召回率之间的平衡点。
对比平均准确率最高和最优模型测试准确率最高的两个模型，可以看到在精度方面使用ReLU激活函数的一维卷积神经网络共有4个标签的精度最高，使用Mish激活函数一维卷积神经网络有3个标签的精度最高。在召回率方面使用ReLU激活函数的一维卷积神经网络共有4个标签的召回率最高，使用Mish激活函数一维卷积神经网络有3个标签的召回率最高。在F1分数方面使用ReLU激活函数的一维卷积神经网络共有4个标签的F1分数最高，使用Mish激活函数一维卷积神经网络有4个标签的F1分数最高。综合以上数据，使用ReLU函数的一维卷积神经网络为一维数据的最优网络[15-16]。
5结束语
本文致力于解决心律失常监测领域的关键问题，通过对心电数据信号的监测，有效减少了事故发生的风险。在目前临床治疗心血管疾病所面临的挑战中，心律失常的诊断一直是一个重大难题。传统的心律失常检测方法主要依赖于心电图（ECG）诊断，然而，这种方法在效率和精度上存在一定的不足。
本文通过对R峰的定位和模型的调用，实现了对心电信号中的心率失常进行准确检测。与传统方法相比[17-19]，本研究具有更高的自动化程度，仅选择可能存在心率失常的QRS波形，为医生提供了更为精准的诊断信息，从而显著减少了医生的工作量。通过对多种心律失常症状的诊断研究，本文为提高心律失常监测的效率和准确性做出了重要贡献。研究结果不仅在理论上有很高的可操作性，而且在实际应用中具有显著的实用性。本研究的创新点在于引入了对R峰的定位和模型的调用，使得监测系统更为智能和精确。总体而言，本研究通过对心电信号的深入研究，为心律失常监测提供了一种新的解决方案。研究结果为相关领域的技术发展提供了重要参考，同时也为实现列车司机心律失常监测的应用奠定了坚实的基础[20]。希望本研究成果能够在未来的实际应用中发挥积极作用，为心律失常的早期诊断和治疗提供更为可靠的支持。
参考文献：
[1]甘屹,施俊丞,高丽,等.基于深度学习并行网络模型的心律失常分类方法[J].南方医科大学学报,2021,41(9):1296-1303.
[2]张逸,周莉,陈杰.基于深度学习的心电图心律失常分类方法[J].电子设计工程,2022,30(7):6-9,14.
[3]宋立新,孙东梓,王乾,等.基于判别式深度置信网络的心律失常自动分类方法[J].生物医学工程学杂志,2019,36(3):444-452.
[4]余天效.基于LSTM模型的心律失常识别的研究[J].现代信息科技,2020,4(14):21-24.
[5]卓力,袁帅,李嘉锋.基于ResNet50和通道注意力机制的行人多属性协同识别方法[J].测控技术,2022,41(8):1-8,15.
[6]芦振寰.基于深度学习的端到端心电自动分类方法研究与实现[D].深圳:深圳大学,2018.
[7]陈美丽.移动ECG信号处理和波形自动识别的研究与实现[D].上海:东华大学,2014.
[8]陈臣鹏,赵鑫,毕贵红,等.基于多模式分解和麻雀优化残差网络的短期风速预测模型[J].电网技术,2022,46(8):2975-2985.
[9]许丽丹,刘嘉勇,何祥.一种解决命名实体识别数据集类别标记失衡的方法[J].四川大学学报(自然科学版),2020,57(1):82-88.
[10]许丽丹,刘嘉勇,何祥.一种解决命名实体识别数据集类别标记失衡的方法[J].四川大学学报(自然科学版),2020,57(1):82-88.
[11]蔡伟,王鑫,蒋昕昊等.基于解耦的小样本目标检测方法研究[J/OL].系统工程与电子技术:1-16[2023-11-06].http://kns.cnki.net/kcms/detail/11.2422.tn.20231103.1035.010.html.
[12]郭彩霞.基于机器学习的HTTP-DDoS攻击检测方法研究[D].扬州:扬州大学,2020.
[13]李雪梅,蒋建洪.基于改进图卷积神经网络的评论有用性识别[J].数据分析与知识发现,2022,6(11):38-51.
[14]黄俊,张娜娜,章惠.基于优化LeNet-5的近红外图像中的静默活体人脸检测[J].红外技术,2021,43(9):845-851.
[15]周锐烨,沈文忠.PI-Unet:异质虹膜精确分割神经网络模型的研究[J].计算机工程与应用,2021,57(15):223-229.
[16]宋立新,孙东梓,王乾,等.基于判别式深度置信网络的心律失常自动分类方法[J].生物医学工程学杂志,2019,36(3):444-452.
[17]余天效.基于LSTM模型的心律失常识别的研究[J].现代信息科技,2020,4(14):21-24.
[18]张坤,李鑫,谢学建,等.基于深度学习的心律失常检测算法研究[J].医疗卫生装备,2018,39(12):6-9,31.
[19]江跃龙,甘雨亮,刘梓良.用于列车行车人员健康监控的高质量心电图心率检测方法[J].机电工程技术,2023,52(3):101-105.后台-系统设置-扩展变量-手机广告位-内容正文底部 -
本文标签：
深度学习技术在心律失常检测系统中的应用论文
人参与 2024-07-16 14:22:14 分类 : 理学 点这评论 作者：团论文网 来源：https://www.tuanlunwen.com/
-
站内搜索
-
随机文章
-
标签列表
-
-
最近发表
-
-
热门文章 | 最新文章 | 随机文章
-
-
最新留言
-
首页 论文知识 教育论文 毕业论文 教学论文 经济学 管理学 职称论文 法学 理学 医学 社会学 物理学 文献 工程论文 学位论文 研究论文
Powered 团论文网 版权所有 备案号：鄂ICP备2022005557号统计代码
全站搜索