使用卷积神经网络的自动心电图诊断_基于卷积神经网络的心跳异常检测系统设计与实现

使用卷积神经网络的自动心电图诊断

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）是最常见的慢性和危及生命的疾病，因此被认为是造成死亡的主要原因之一。基于最近流行的卷积神经网络（CNN）提出的新神经体系结构是使用心电图（ECG）信号开发自动心脏病诊断系统的解决方案。更具体地说，ECG信号直接传递到经过适当训练的CNN网络。该数据库由从47位受试者（25位男性和22位女性）获得的门诊ECG检查中提取的4000多个ECG信号实例组成。从测试数据集得出的混淆矩阵表明“正常”级别的准确性为99％。对于“房性早搏”类别，心电图节段被正确分类为100％的时间。最后，对于“室性早搏”类别，心电图节段的正确分类率为96％。总体而言，平均分类精度为98.33％。灵敏度（SNS）和特异性（SPC）分别为98.33％和98.35％。基于深度学习（尤其是基于CNN网络）的新方法可确保在自动识别以及预防心血管疾病方面的出色性能。

关键词： ECG信号检测 ; 心血管疾病 ; 卷积神经网络（CNN） ; 心肌梗塞（MI）

1.简介

多年来，医生已经意识到心血管疾病是一类被认为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）的形式发生。心肌梗塞，通常称为心脏病发作，代表心肌在相当长的时间内无法收缩。在心脏病发作开始后一小时内使用适当的治疗，可以降低正在进行的心脏病发作的人的死亡风险。

当发生心脏病时，第一诊断检查包括心电图（ECG），因此，是心血管疾病（CVD）的主要诊断工具。心电图仪在测试时间内检测到心脏的电活动，然后将其显示在反映心肌中周期性电生理事件的图表中[ 2 ]。通过对心电图痕迹进行仔细分析，医生可以诊断出可能的心肌梗塞。但是，重要的是要强调指出，手动检测急性心肌梗塞的敏感性和特异性分别为91％和51％[ 3 ]。

开发一种可自动检测心梗的计算机辅助系统将有助于心脏病医生做出更好的决策。因此，近来，已经对自动MI检测进行了各种研究。

考虑到心脏异常分类的非线性，最近已采用基于神经网络的技术。在一项先例研究中，作者提出了一种基于径向基概率神经网络（RBPNN）的训练技术，以便为心血管疾病的诊断提供有效的解决方案[ 4 ]。该方法已经过ECG分析和检测异常心跳的测试，这些异常已由网络按相关病理分类。

近日，笔者成功地试验了最新和最具创新性的神经网络（NN）模型[ 5，6 ]，更具体地说，机器和深度学习技术，如卷积神经网络（CNN）和音频生物识别技术[ 7，8，9 ]。CNN已被用于心律失常检测，冠状动脉疾病的检测，和节拍分类[ 10，11，12 ]。深度信任网络已被用于对ECG中的信号质量进行分类[ 13 ]。

一些研究人员已经实现了11层CNN来检测MI [ 14 ]。作者已经证明了浅层卷积神经网络的使用，仅侧重于下心肌梗塞。该网络得益于在同一卷积层中使用变化的滤波器大小，这使可以从变化长度的信号区域中学习特征。

在[ 15 ]中，作者提出了使用MLP（多层感知器）网络和CNN网络的心血管疾病分类系统。特别是，使用相同的数据集但使用不同的类别，比较了两个模型获得的结果。MLP网络中使用了两个类别：“心律不齐”和“正常”，而四层CNN使用了九个类别。用于训练/验证和测试数据集的ECG数据可从PhysioBank.com和kaggle.com下载。这项研究表明，使用MLP网络和CNN网络的性能均很低，分别为88.7％和83.5％。

还有许多其研究使用基于卷积神经网络的深度学习算法通过ECG信号处理心脏病分类。表1列出了主要技术列表，比较了所使用的学习模型，所实现的CNN参数和所获得的性能。

表1. 基于CNN网络使用的ECG信号分类的主要技术。

许多论文从PQRST复合体中提取功能，并利用了基于其技术的机器学习算法。在[ 19 ]中，作者使用粗糙集（RS）和量子神经网络（QNN）来识别心电图（ECG）信号。对于特征提取（Peaks-P，Q，R，S和T波），在信号归一化之后，使用小波变换（WT）。然后，将RS的属性约简用作预处理器，以便可以从决策表中删除冗余属性和冲突对象，但可以无损地保留有效信息。然后，采用梯度下降法对基于QNN的分类建模和预测测试进行训练。这些系统的准确性为91.7％。

在[ 20 ]中，使用MIT-BIH心律失常数据库中的记录来计算RR间隔。本文比较了MLPNN和SVM（支持向量机）分类器。结果表明，MLPNN具有良好的测试性能，而SVM具有良好的训练性能。

在[ 21 ]中，作者提出了一项基于CNN以外的机器学习技术的ECG信号分类调查。

该研究的表1重点介绍了对ECG信号进行分类的主要技术，包括每篇论文中特征的数量，特征名称，预处理技术，数据库，建模技术，使用的性能指标以及准确性。

本文基于将基于CNN的分类网络直接应用于EGC信号，提出了一种低复杂度的心脏病自动识别解决方案，从而绕开了从时域到其域（例如频域）的任何可能的心脏病ECG信号。 MFCC（Mel-频率倒谱系数），小波等。本文在以下三个类别中评估了分类器的性能：“正常”，“房性早搏”和“室性早搏”。所获得的性能是显着的。

2.心电图信号和数据集

从图形或数字的角度来看，心电图（ECG）代表心脏在其操作过程中的电活动。在每个心动周期重复的ECG波形的最重要元素如图1所示。

图1. 典型的心电图（ECG）波形及其特征模式（P和T波，PR和ST段，PR和QT间隔以及QRS复合波）。

进行心电图检查是为了提供有关人可能患有的各种心脏病的信息[ 22 ]，以确保有效的治疗。

根据国际惯例，在心电图轨迹中识别的特定点用字母P，Q，R，S，T标记，尤其是以下各项：

· P波：在ECG周期中发生的第一波，是代表心房去极化或最通常称为“心房收缩”的小偏转；

· T波：代表心室去极化或最常见的“心室舒张”；

· Q，R和S波：这些波一起形成了所谓的QRS复合波。QRS复合物代表心室的收缩，或者从技术上来讲，代表心室的去极化复合物。特别地，Q波代表心