文摘
心律失常是一种疾病,心跳不稳定,太慢或太快。它发生的错误的电脉冲,协调心跳。心脏性猝死可能发生某些严重的心律失常疾病的结果。因此,心电图(ECG)调查的主要目标是可靠地感知作为危及生命的心律失常提供合适的治疗和拯救生命。心电信号波形,表示人类心脏的电运动(P QRS T)期间,结构,利用每个波形的各种峰之间的距离来确定心脏问题。信号的自回归(AR)分析是用于获得一个特定的选择信号特性,基于“增大化现实”技术的参数信号模型。组检索基于“增大化现实”技术特征三个各种心电图的种类是干净地分离训练数据集,提供高连接分类和心脏问题诊断中的每个ECG信号的训练数据集。一项新技术基于two-event-related移动平均线(岩藏)和分数傅里叶变换(FFT)算法提出更好地评估心电图信号。这项研究可以帮助研究人员检查当前最先进的方法用于心律失常的检测情况。我们建议机器学习方法的特点是跨数据库培训和测试改进的特色。
1。介绍
心电图(ECG)是用来衡量心脏的电活动。在很多情况下,分析心电图信号可能会提供一个危及生命的心脏疾病的理解。这些研究人员通常干扰识别和诊断不同类型的心律失常等疾病,这被描述为一个扩大的心脏或中断一个正常人的速度(1]。不规则心律可以由多种因素引起的,包括疾病药物,老龄化的心,或代谢问题。持续的室性心律失常是最危险的心律失常,经常破坏引起的心肌。心血管疾病(CVD)是全球死亡率的重要原因,占全球总死亡人数的31%。心脏是一个圆锥形的器官系统,泵定期提供血液内部组织(2]。心脏病发生由于冠状动脉的阻塞,血液和氧气到心脏。
据世界卫生组织统计,全球心血管病是主要的公共卫生问题。各种计划和政策是近年来应用于更为多样化的社区,提供工具、策略,和其他资源来减少第一和反复出现的心血管事件的行动。最后,心电图了biosignal使用最广泛的心血管病的早期诊断(3]。心电图是一个示意图说明心脏的电活动,利用不同诊断心脏疾病和违规行为。70多年来,医生用心电图电信号诊断心脏疾病,包括心律失常和心脏病。图1显示了一个心电图信号,包括复杂的P, QRS, T波。U-wave也可以。许多心脏疾病可以确定通过研究这些波的波动。心电图技术都是无害的和负担得起的。然而,噪音和其他变量被称为工件,将导致心电图信号跳4]。这些工件可以包括病人身体动作,电极运动的身体,和外部的电子干扰。
为了克服上述算法的缺点,一种方法是提出基于岩藏融合和分数傅里叶变换(FFT)能够取得卓越的成果。移动平均线(MA)是有用的识别信号,包括详细的事件,和岩藏经济学主要是用于区分各种措施在交易3]。因此,这些平均可以应用于心电图数据组成事件包括T波和P、QRS波群。这些波继续自己给定的时间后。因为T波和P的实质性变化,QRS波群、时频研究也很重要。这解释了移动平均和时频研究可以用来检测这些波。此外,在这项工作表明,提出的方法显著优于现有技术。
一个自回归(AR)模型阶信号j基于“增大化现实”技术(j),被用来模拟一个最小数量的连续心电图信号。获得的模型参数作为心电信号特征和分类使用几种常见算法进行分类。结果表明这些特征分别在检索空间,给准确的分类和识别各种心脏疾病(5]。此外,集检索AR值被用来识别特定个人记录的心电图信号。初步结果表明,该方法有可能被用于各种生物的情况。其余的研究讨论了方案,用于检索和分类这些特征和一些结果发现病人心律失常和信息任务(6]。
下一个任务是确定和描述任何CVD的ECG信号。分类过程包括两个步骤:特征提取和分类器模型的选择。使用数据库的MIT-BIH心律失常,许多学者都集中在ECG信号的分类。先前的研究使用了各种预处理模型,特征提取方法和分类器,其中一些都包含在这个研究[7]。离散小波变换(DWT)是利用检索特征R峰和RR间隔,和多层感知器(MLP)已经被用于分类的方法。同样,R峰地区和RR间隔使用db4 DWT标识;前馈神经网络(FFNN)开发与反向传播来识别心电信号。在分类,不同的分类器被利用,包括支持向量机(SVM),神经网络,演算法和朴素贝叶斯8]。
2。文献综述
这项研究在9)评估不规则的心跳,包括心力衰竭,心律失常和窦性节律。心电图(ECG)是一个重要的和广泛使用的检测和分类心脏违规行为的工具。心脏的心电图信号分析心脏的电活动,产生波形,可以用来诊断心脏异常。作为这项研究的结果,可以分类心律失常与更大的准确性和较短的SVM分类器与离散小波变换(DWT)是在这项研究中使用的机器学习技术。从MIT-BIH BIDMC数据库,由百分之七十三的信号分为训练集和测试集,70:30。DWT被用来提取190特性。由于它基于频率灵活地改变窗口大小,DWT作为解决支持向量机分类器被用来检索特征进行分类。进行分析,发现使用一个测试集,并想象最终的结果,我们使用一个模型,有95.92%的准确度。
根据(10),心脏方面的疾病(心血管病)负责大量的死亡世界在过去的几十年里,世界上死亡率的主要原因。近年来,许多研究人员已经使用各种机器学习算法来帮助医疗行业和医疗服务提供者诊断心脏方面的问题。总之,本研究概述众多模型,聚焦于这些方法和方法。朴素贝叶斯、随机森林(RF),再(资讯),决策树(DT)、支持向量机(SVM)和整体模型是很受欢迎的模型,尤其是人员。
在[11),诊断心脏疾病,临床和病理数据组合在一个复杂的方式。由于这种复杂性,临床医生和研究人员正在开发一种方法非常感兴趣预测心脏疾病是有效的和一个算法猜测心脏病地位取决于临床信息提出了研究。这个策略有三个步骤。一开始,选择13个重大临床变量,年龄和性别等类型的胸痛,树梢和胆固醇,空腹血糖在血液里,静息心电图,最大的心,和运动诱发心绞痛,旧的峰值,污水。基于这些临床参数检测心脏疾病,一个算法基于人工神经网络(ANN)创建。大约80%的预测是正确的。作为最后一步,一个用户友好的心脏病预测系统(黄芪丹参滴丸)开发。的方法,可以准确地预测病人的心脏病。由于这项工作,黄芪丹参滴丸系统,这是一项革命性的技术,可以采用这种方法。
在[12),据报道,心脏病的发病率和死亡率(HD)在现代社会正在上升。作为一个重要而艰巨的任务,必须完成精确、高效、医学诊断自动化将是非常有益的。有医生的短缺在世界的许多地方,因为并不是所有的医生都是同样地在每一个大事件。除了加强医疗,一个自动化的医疗诊断系统也会降低成本。在这个研究中,一个相互作用的神经模糊推理系统(CANFIS)来建立一个新的技术对预防心脏疾病。提出了新的诊断CANFIS分析结合自主神经网络系统描述性fuzzy-based方法。关注它的训练效率和准确率,提出CANFIS算法发现检测心脏疾病的重要能力。
这项研究在13)提出了一种混合方法对最优分类心律失常并选择它们的属性。遗传方法利用最优选择的特点提出模型,决策树(DT)算法是利用提取功能组织和构建系统。计划的方法是利用为正常和病理类别分类信息,一个班的心律失常。这可以使用UCI心律失常数据库,以及选择性,灵敏度、准确性,和平均Sen-Spec参数,评价预测方案的有效性,类似的方法。提出的方法的有效性两舱和六班模式大大提高了准确性,感性,平均灵敏度,特异性指标相比,类似的方法。的准确性、敏感性和均值Sen-Spec参数,我们的方法实现值为86.96%,88.88%,和86.55%的两种模型,78.76%,76.36%,78.69%,六班的模式分类。上面列出的值最高的UCI心律失常数据库。
3所示。方法
本文中的心电图分类系统可以分为四个主要阶段,如图2。以下是各个阶段:(我)预处理心电图(2)检测QRS信号和分割(3)提取参数(iv)分类和聚类提取参数
3.1。心电图预处理
预处理阶段目的是增加整体心电图质量信号,以便它可以更准确地分析和研究。基线的减少偏差和其他模式原始信号产生的电力线路入侵和工件是心电图分析过程的第一阶段(14]。背景漂移是一个不必要的最低频率运动心电图的影响与分析信号,导致错误和误导临床解释。其频谱内容通常远低于1赫兹,但可能存在更高的频率在密集的锻炼。
过滤是最受欢迎的方式消除过度从心电图数据噪声和基线漂移。在过去,FIR和IIR滤波器类型都有效地用于这个任务,较低和较高的截止0.8赫兹和40 Hz范围,分别。截止频率大于0.8赫兹一直记录显著改变心电图的波形,并且它应该逃避。带通滤波是利用工作来减少和消除噪声干扰,通常出现在心电图读数。心电图的带通滤波器截止频率较低5赫兹和更高的截止波长的40 Hz。
3.2。检测QRS
QRS波群是最大的ECG信号的关键元素。这么QRS波群,开始和QRS波群的延迟,以及P T波形都是定义。大多数QRS识别算法主要是建立在落后的平均过滤步骤基于阈值(15]。这个阈值被用来区分背景和QRS波群和基于心电信号的最高位置。基于机器学习的其他技术包括P-spectrum的方法,一种强大的方法检测周期性来源于数据不连续。
3.3。提取的参数
下一个层次的系统,基于“增大化现实”技术的建模的两个或两个以上的连续心电图比使用一个基于“增大化现实”技术的信号模型的离散变量j基于“增大化现实”技术(j),后一个人的心跳检测用于每个ECG信号。每个数据集的顺序j通过检查确定预测误差的方差作为基本功能的函数j。建模两个连续心电节拍确定使用滤波器组的方法简要提及了在前一节中取得了良好的效果在这个研究[16]。估计模型的系数是随后用作分类信号特征设计和系统的周期。一个信号序列将在以下所描述的AR模型方程:
模型系数,通常定义为自回归的参数,利用分类模型 和是一个白噪声序列,技术流程与零均值和方差吗 。在方程(2),计算出的自回归模型是现在被视为p-point预测滤波器,只有实际产出预测从先前的基于“增大化现实”技术的流程目标的价值。 在哪里 特征的评估范围基于“增大化现实”技术的设计。
3.4。分类
收集到的心电信号特征进行分类和识别使用不同的分类技术。多维矩阵进行计算自回归参数记录ECG信号的每一次跳动都是这项工作的特点。再法是最常用的方法在生物信息学等领域由于其简单性,虽然必须注意而选择模型k适当尺寸的措施。下一阶段的研究中,病人心电描记法识别特征是处理和评估使用线性(LDA)和二次(QDA)判别分析分类器在不同的生物信息学应用程序。
3.5。心跳分类器
一个回声状态网络(ESN)用于创建建议的心跳分类器。它将分析心电图记录心率分成两组根据形态特征:VEB +和SVEB +。正常(N)和室上异位年代或SVEB)心跳都列为SVEB +。相比VEB +心率、心室源或异常的形态学,那些心跳有规律的形态特征和室上源。心室异位搏动(V或VEB)和融合跳动在VEB +类别(包括F)。
图3描述了完整的过程示意图的形式。有明显区别的两个阶段:(我)阶段1:特征提取、过滤、心跳分割,和心跳检测都是第一阶段的一部分记录的心电图分析。在这种方法中,我们结合形态学和心率之间的停顿时间。(2)阶段2:SVEB + VEB +类之间的分类,分类执行这个任务,我们利用一个环型拓扑的切入。进一步在这篇文章中,我们回顾分类技术在第二阶段在更大的深度,如表所示1。
3.6。特征提取和心电图的处理器
小预处理的原始心电图记录需要实现心律失常分类。的基本方法都包含在分析心电图记录在这个框架。
3.6.1。心电图过滤
调整基础和消除不受欢迎的高频率的声音,每一个心电图记录处理带宽 。与传统技术,巴特沃斯高通滤波器的截止频率 )和一个12阶有限脉冲响应滤波器(35赫兹,在3 dB点)被利用。
操作。使检测到的心电信号重采样
心电图分析了传输的监控频率260赫兹。利用PhysioToolkit应用项目,啊哈数据集(260赫兹)保持在正常记录频率,而MIT-BIH AR数据集(350赫兹)是260 Hz规范化。
3.6.3。计算的RR区间
RR间隔是衡量成功心率之间的时期。心跳的时间比较我和前面的心跳(我−1)是由RR间隔与心跳我,
3.6.4。心跳检测
注释提供的坐标数据集被用来估计心率的位置。MIT-BIHAR数据库中的注释的位置是在最高的QRS波群的局部边缘。识别之外的节拍是本研究的焦点。也有报道称,极其有效的自动识别系统。
3.6.5。分段正常化心跳
每一个分段心率是[1]中归一化。这种可扩展性技术产生一个信号的频率影响的最初的心电图记录。
3.6.6。心跳分割
每个数据库的表示位置用于段ECG信号。分段心率是250毫秒(每秒65样品在250 Hz),并集中在注释的地方。
每一个心率的特点是一个集合的属性一旦心电图记录处理。因为我们想要构建一个快速、实时的心跳分类、选择参数的关键目标之一在这个系统是防止困难的特点,计算费用。因此,我们专注于简单的方法提取特征。在我们的示例中,我们显示它与实际波形心率点之间的每一个心跳。每个节奏的实际信息提供同等数量的样品从四面八方打标识的位置。每个脉冲都显示为矢量的结论预处理和提取特征阶段,三个特色与RR间隔和65年形态学特征,基本上是一个心电图波形的采样点表示每一个心跳。分类的技术需要向量(d= 62)作为输入。
3.7。心电图的波形
心脏的心电图模式痕迹的电气系统和发挥重要作用的诊断方法分析身体健康。典型的心电图跟踪是由P波、QRS波群,T在每次心室收缩波(17]。心律失常时出现的异常心跳心电脉冲的通常模式是中断。心律失常可能发生在上下心腔,但心室性心律失常会有经验。
如前所述,工件和必须消除噪声信号来识别P, QRS, T波。确定P, QRS波群,和T波形,传统小波transform-based过滤技术是用来消除噪声和工件。提高检测精度、岩藏和FFT相结合,利用机器学习的方法来识别心电图信号,评估是否有心血管疾病。第二部分进一步深度的具体职责。
3.8。信号滤波
心电图信号不稳定,这意味着共振频率在一段时间内变化。此外,噪音和污染ECG信号的非线性对象,按时间的概率密度。时间定位与传统的傅里叶变换技术是不可能的,但它与DWT是可能的。因此,DWT更有能力处理非平稳的信号(18]。第一步是利用DWT消除平均漂移。要做到这一点,首先,计算小波的核心频率,(也被称为Fc因素),范围从0到1的基础上选择波形信号的相似之处。
Daubechies-4 (db4)最大因素,等于0.7,对心电图信号。然后,在每个级别,pseudofrequency ,决定使用以下方程: 在哪里和是ECG信号的判断和选择频率,分别。大多数的基线漂移发生在0.5赫兹。规模相当于各种pseudofrequencies很容易计算使用(3MIT-BIH Fs = 360)。规模9,这对应= 0.5,应该被分解。因此,db4小波将ECG信号划分为近似系数和详细的规模9。找到一个基线信号drift-free,估计系数与消除基线漂移,并使用得到信号重建。
3.9。融合算法来检测R峰
在心电信号R峰,最大频率的变化。时间定位使用的傅里叶变换时可以妥协心电图数据。FFT应该用于无噪声的信息在这个阶段在时频域变换。FFT运算包括啁啾相乘,唧唧喳喳反转,如图所示,另一个叫乘法,在安排19]。信息具有更高的旋转值相当接近发射机共振频率;然而,移动,以减少量等于远离信号的共振频率,相当于接近信号的时间域。时间定位R时峰值检测是至关重要的。使用hit-and-trial技术,发现的参数 提高R峰适当,使他们难以辨认。应用FFT后由每个样本的棱角,R峰增加更多。增强后,两国MAs根据事件和周期确定:
马表示为移动平均,是由QRS波群的长度,然后呢由心跳的长度决定。增强信号的意思是( )确定和增加了因子( );最优参数值确定使用“碰运气”的方法。输出值被应用到生产阈值和由 。的值比较相关的阈值。如果分配大于第n个标准。创建一个新的向量如果零没有提供。这产生一个流非均匀分布的矩形脉冲。
最后,见图4的脉冲宽度等于块,包括预期的事件。R峰值为每个块的高价值伴随改善的信号。这个过程中描述的深度。应用建议的技术后,R峰被准确地识别。
3.10。检测P和T高峰使用融合算法
岩藏了一个复杂的阈值来确定P和T的山峰。使用一个阈值降低,我们可以减少算法的整体处理的复杂性。R峰被在第一阶段的算法,使P和T峰更加明显。在无噪声的信号,30个样品(0.083秒)比R峰和60个样本(0.166秒);然后,R高峰值设置为0 (20.]。对于任何心血管疾病,P波和T波的概率在指定的时间间隔是几乎为零。信号在时频平面取代使用FFT来提高QRS时间间隔后的P和T的山峰被移除。感兴趣的街区形成相同的方式在以下步骤中,如图5利用两个移动轴:
W3由P波的频率决定,W4由QT间隔决定, ,和 W421。适合个人的P波持续时间 女士;然后,QT间隔 女士而不是使用一个标准尺寸窗口确定P波,最小的窗口用于心律失常的独特特征。测量只是下一个移动平均线的值,而不是R峰值检测。如果初始平均分配下移动平均高于可比。创建一个新的向量如果零没有得到分配。这产生一个流非均匀矩形脉冲。最后,将阻塞从创建包含P和T的山峰,一个阈值根据间隔的公关,RR, RT是使用。最高权力的块引用作为P峰值如果最高利益之间的差距是指定的块和最近的R峰公关间隔。如果适当的剂量之间的区别只有组件和最近的R峰低于规定的RT时期,最高价值的块被称为T高峰。
3.11。监督机器学习算法
ECG信号的分类是一个重要而艰巨的努力。它将提供大量的信息关于病人的心血管病没有心脏病的必要性。专家只需要连接查询,以及基于机器学习系统将立即检测病人的心血管病(21]。该方法可以快速识别那些需要快速的医疗干预。延时和SVM监督学习技术用于这项研究并解释了暂时的分类下面的子目录。
3.12。支持向量机分类器
在回归和分类问题,可以使用支持向量机算法。信息显示在空间l-dimensional SVM, l是各种属性。后的图像信息,分类是一个超平面进行定位,区分几类(22]。超平面的优化通过利润的最大化。最近的超平面最近的点其他超平面之间的选择信息。这个比率表明支持向量机问题是固定的: 受 在哪里 拉格朗日因子,W表示为常数,然后呢 是一个内核函数,在哪里 输入功能, 类标签。高斯径向基函数是一个广受欢迎的内核。
在高维环境中,大小超过的数量模型和支持向量机的数量是特别成功。
3.13。多层感知器分类器
人工神经网络(ANN)方法确定区域使用一种方法,模拟人类大脑功能如理解、学习、问题解决和决策。三层使ANN模型。输入图像的初始层,这个单神经元的数量取决于输入参数(23]。输出层是最后一层,隐藏神经元代表输出类的数目。隐藏层中存在隐藏层和输出层。延时是一个前馈神经安子类用在这个研究。
4所示。结果与讨论
这部分分为四个部分,重点是心律失常识别,检测峰值,跨数据库培训和测试,分别和分类。
4.1。识别心律失常
评估该方案的有效性,一组心电图的结果包含三种不同类型的心电图信号已经使用。数据集包含正常心电图信号(NR)从米兰Politecnico向量/心电图数据年轻正常话题,心律失常(AR) MIT-BIH心律失常数据库,和室性心律失常(VAR)从MIT-BIH恶性室性心律失常数据库。各种代表是20小时的双通道门诊心电图记录数据,尽管每个人的测试花了分钟。节拍识别和信号分离步骤之后,AR参数为每个提取的生产节拍。在每个频带的频率跳动和AR参数的数量为每个团队都可以收集影响分类程序的性能。实现有效的分类1 - 5次的乐队和2 - 4基于“增大化现实”技术的变量。这表明每组两次的性能和基于“增大化现实”技术的秩序2和3的值在这个研究。图6描述了不同的误差值AR-type订单预处理和原始ECG信号。然而,更困难的过程通常是用来决定模型秩序;建模错误情节的断点(膝盖)被用于选择一个模型或模型。
“膝盖点”的位置在图6较低的风险,确定适合这种深加工的ECG信号的基于“增大化现实”技术的基函数2或3。做额外的订单没有明显影响建模错误或分类过程的准确性。处理心电信号,这个图表一目了然的不连续(2 - 3);然而,同一地点在原始ECG情节更加难以识别。同样值得注意的是,处理信号的建模错误规模远小于误差建模建模时原始ECG数据获得。
此外,恢复变量应该被观察到的变化,就是明证AI功能相关特性云空间的大小。当比较信息云的变化区分两种心律失常,云数据的维数与日常ECG信号相对比较小,也与心室性心律失常云包含图像的最大变异和色散特性。
4.2。心电图检测峰值
P, R, T山峰被发现在最初的部分模拟使用我们提出FFT-based方法,和建议的算法验证所有48 MIT-BIH记录。本研究利用铅II (MLII)数据。因为我们的方法不受波形的大小的影响,任何以下信息将有利于峰的检测。此外,性能可以被评估使用不同的度量描述的文献,包括积极predictivity,失败率,和灵敏度如下: TP意味着真阳性,FN代表假阴性视为标志着山峰没有发现的系统,和FP是假阳性的山峰被方法但不是简单的礼物。如果发现最高的30 ms内注释,它被定义为TP。这个评估TP、FN和FPs测量算法的效率。
4.3。心血管疾病分类
在第二部分的实验中,心电信号分类根据其心血管病。所有模拟,70%的选择特性被用来训练机器学习模型,而30%是保存测试结果。因此,各种功能都从波形分类检索。收集到的特性被送入支持向量机和MLP分类。它被用来分类输入心电信号作为常规,PVC、APC,确诊,RBBB,心跳速度。以下用于评估提出了分类器的性能措施有效性的当前的: TN代表真阴性,这意味着有心血管疾病和分类器的人表明,个人是不正常的。
4.4。测试和培训数据库
向MLP分类器训练使用MIT-BIH心律失常随后收集和评估在圣彼得堡INCART22和SPH23数据库分类正常,RBBB, PVC心跳。样本率的三个数据集多样。因此,为方便起见,所有的数据被调整到128赫兹的频率。没有要求预处理,因为数据从这些来源已经免费检索的基线漂移和噪声。年龄、性别、公关和RT间隔是客观的事实。车的训练模型的准确率和SPH数据库是99.85%和68%,分别。建议的方法无法识别倒,两相的正负,两相的正负T高峰可能观察到RBBB和PVC;分类无法准确分类RBBB和PVC心跳。因此,其平均分类精度受到损害。有一个缺点跨数据库分析。 In both training and testing, illness features were normalized and the normal patient characteristics were not normalized. When applying normalization to all the testing and training data, the classifier’s exactness suffers even further. This illness is unreal and requires more research.
5。结论
自动分类心电图数据分成三组的方法提出了在心律失常,心室性心律失常。检测R、P、T山峰,融合技术提出了基于FFT和岩藏。消除干扰数据,传统的小波变换方法使用;然而,引入FFT在岩藏技术极大地提高了峰值检测的准确性。拟议中的峰值识别执行作用略优于岩藏算法在检测R峰但大大改善了检测P和T山峰MIT-BIH心律失常的集合。预处理过程后,利用AR模型提取的AR参数用于分类ECG信号的每一个部分为每个三个潜在类别。选择特性和基于“增大化现实”技术特征集的两个节拍是高度划分特征空间和有效的分类,这表明良好的分类精度可以预期在提出系统的有效影响。此外,与岩藏方法不同,效果没有影响心血管病。峰鉴别后,结果被用来确定公关和RT时期作为分类的两个ECG信号的特点构造一个分类器跨数据库测试和培训。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称他们没有关于本研究的利益冲突。
确认
作者要感谢院长以来Jouf大学科研经费申请这项工作批准号域- 2021 - 02 - 0376。