小波散射变换心电图分类

文摘

心电图(ECG)记录心脏的电活动;它含有丰富的心血管疾病的病理信息,如心律失常。然而,很难直观地分析心电图信号由于其复杂性和非线性。可以产生平移不变小波散射变换使检测到的心电信号和deformation-stable表示通过级联的小波运算与非线性模量和平均运营商。我们提出了一个新颖的方法使用小波散射变换自动分类的四类心律失常心电图心跳,即nonectopic (N),室上异位(S),室性异位(V),融合(F)节拍。在这项研究中,小波散射变换提取8从每个ECG心跳时间窗口。两个降维方法、主成分分析(PCA)和时间窗口选择,被应用于8时间窗口。这些加工特性被喂以神经网络(NN),概率神经网络(并) - - - - - -最近的邻居(资讯)分类器分类。第四次窗口结合资讯( )取得了最优性能的平均精度,阳性预测值,敏感性,特异性为99.3%,99.6%,99.5%,和98.8%,分别使用10倍交叉验证。因此,我们提出的模型能够高度准确的心律失常心电图分类和将为医生提供帮助解释。

1。介绍

心血管疾病(心血管病)是全球死亡的主要原因。2016年估计有1790万人死于心血管病,占全球死亡的31% (1]。导致心血管病的因素很多,包括吸烟和烟草使用、缺乏运动、饮食习惯差,超重和肥胖等。2]。广泛的心血管病组的并发症之一是心律失常,这表示心脏的电功能紊乱。

心律失常是指异常率或心跳的节奏。在心律失常,心脏可以击败过快,过慢,或有不规则的节奏3]。心电图(ECG)监测心脏的电活动,和心律失常可通过任何形态的变化模式发现心电图波形记录。心律失常有很多类别,每个包含不同的病理信息。图1显示了不同心律失常的心电图信号的模式类别。至关重要的是准确的ECG信号为这些类别进行分类。心脏病专家,依靠大量的专业知识和经验在他们的领域,他们视觉观察心电图波形和获得诊断结果。然而,这种视觉评估可能导致主观解释由于噪声的存在和分钟形态学参数值在ECG信号(4]。此外,它也是耗时和累人的心脏病专家解释心电图信号,这可能会延误最佳治疗机会。

为了解决这些弊端,各种计算机辅助诊断(CAD)系统最近已经开发出来。CAD系统可以作为辅助工具,医生的解释心电图信号提高诊断速度和准确性。它扮演着一个重要的角色在心血管病的管理(5]。表1总结了一些选择先进的CAD系统的研究。其中大部分集中在传统的机器学习方法。特征提取和分类这些方法是必不可少的步骤。特征提取,包括参数和视觉模式特性(6- - - - - -8),从心电图信号分类的分类器设计直接影响心律失常的性能检测。虽然这些研究都取得了极大的分类性能,他们可能有两个主要缺点:首先,他们需要一个设计良好的特征提取器和特性需要手动优化前喂到分类器;其次,他们通常遭受过度拟合。此外,这些方法提供了混淆矩阵的一些推荐的ANSI / AAMI EC57:1998标准(9]。因此,很难比较不同心律失常的分类性能详细分类。


作者	一年	方法		类	性能

传统的机器学习方法
阿齐兹·伊南et al。(35]	2006年	特征提取:分类器	WT和时间间隔神经网络	3	ACC: 95.16%
Sayadi et al。36]	2010年	特征提取:分类器	创新的卡尔曼滤波器序列贝叶斯过滤	2	ACC: 99.10%
					森:98.77%
					规格:97.47%
Martis et al。32]	2012年	特征提取:分类器	主成分分析支持向量机与RBF核	5	ACC: 98.11%
					森:99.90%
					规格:99.10%
普拉萨德et al。37]	2013年	特征提取:分类器	居屋计划+ ICA 然而,	3	ACC: 97.65%
					森:98.75%
					规格:99.53%
Martis et al。38]	2013年	特征提取:分类器	累积量+ ICA 然而,	3	ACC: 99.5%
					森:100%
					规格:99.22%
Martis et al。7]	2013年	特征提取:分类器	居屋计划+主成分分析回归模型	3	ACC: 93.48%
					森:99.27%
					规格:98.31%
Martis et al。39]	2013年	特征提取:分类器	累积量+主成分分析回归模型	5	ACC: 94.52%
					森:98.61%
					规格:98.41%
Martis et al。32]	2012年	特征提取:分类器	DCT +主成分分析支持向量机与RBF核	5	ACC: 99.52%
					森:98.69%
					规格:99.91%
Martis et al。40]	2014年	特征提取:分类器	ICA + DCT 然而,	3	ACC: 99.45%
					森:99.61%
					规格:100%
岩石和Pehlivan [41]	2015年	特征提取:分类器	遗传算法然而,	5	ACC: 99.69%
					森:99.46%
					规格:99.91%
岩石和Pehlivan [8]	2015年	特征提取:分类器	时间序列+主成分分析然而,	5	ACC: 99.63%
					森:99.29%
					规格:99.89%
李,周33]	2016年	特征提取:分类器	热电制冷+ RR 射频	5	ACC: 94.61%
Mondjar-Guerra et al。42]	2018年	特征提取:分类器	小波+枸杞多糖+居屋计划+几个振幅值射频	5	ACC: 94.5%
					森:66.4%
					规格:70.3%
杨和魏6]	2020年	特征提取:分类器	结合参数和心电图形态的视觉模式特征然而,	5	ACC: 97.70%
这项工作	2020年	特征提取:分类器	传感器网络+第四时间窗口并通过	4	ACC: 99.3%
					森:99.5%
					规格:98.8%

深度学习的方法
Martis et al。40]	2014年	9-layer深卷积神经网络		5	ACC: 93.47%
					森:96.01%
					规格:91.64%

ACC:精度;森:敏感性;规范:特异性;WT:小波变换;卡尔曼滤波器:扩展卡尔曼滤波器;DCT:离散余弦变换;DWT:离散小波变换;居屋计划:高阶统计;集成电路:独立分量;独立分量分析ICA:; RR: RR intervals; WPE: wavelet packet entropy; LBP: local binary patterns; RF: random forest; LS-SVM: least square-support vector machine.

自2016年以来,基于深度学习的方法等方法提出了卷积神经网络(CNN)来识别异常心电图心跳包括心律失常。这两个特征提取和分类模型中嵌入在一起。这些方法能够提取self-learn特性(10]。然而,他们可能有三个主要的缺点:缺乏强有力的理论支持,需要大量的训练数据来实现良好的性能,计算成本和消耗巨大的训练模式。由于这些缺点,有大量的数值实验经验开展hyperparameter优化以及建立最佳的架构,和特征提取可能解释的实际应用。此外,这些方法的性能仍有待改善。

小波变换是一种有效的工具来分析非平稳的ECG信号由于其时频局部化特性11- - - - - -13]。然而,它不是不变的翻译。最近,Mallat提出一种新的信号处理方法,小波变换小波散射变换,通过级联非线性模量和平均运营商(14]。小波散射变换可以提供时间和频率分辨率,这是不变的翻译、变形稳定,保存高频信息分类(15]。此外,Mallat特征三个属性,深度学习架构拥有从数据中提取有用的特性(16:多尺度收缩,分级对称的线性化,稀疏表示。小波散射变换也具有这些属性,因此,既有传统的优势和深度学习方法。它取得了最先进的表演艺术的任务验证、音乐类型分类、音频识别和手写分类(17- - - - - -20.]。

出于小波散射变换的优秀的财产,我们的目标是探索小波散射变换的性能从心电信号中提取特征进行自动分类的心律失常。具体来说,我们从MIT-BIH心律失常数据库获得数据和心律失常分类分为四类;更多的细节部分所示2。然后,我们使用小波散射变换结合一些降维方法提取特征。几个现有的分类器, - - - - - -近邻(资讯),神经网络(NN)和概率神经网络(并),用于检验小波散射变换的表演在心律失常识别。最后,我们的结果与一些现有的方法列在表中1。

本文的组织结构如下:部分2介绍了数据库和数据预处理方法。部分3介绍了小波散射变换以及其属性和介绍了本研究中使用的分类器。部分4显示了详细的体系结构和数值实验结果,讨论了部分5。我们在部分总结本文6。

2。材料

在本节中,我们将简要介绍数据库用于心电图分类和描述我们的数据预处理和增强方法。

2.1。MIT-BIH数据库

我们使用了MIT-BIH心律失常数据库(21训练和测试方法。这个数据库是广泛用于心电图分类和公开。MIT-BIH数据库包含48小时摘录的双通道动态心电图记录,获得来自47个课题研究了波黑心律失常实验室在1975年和1979年之间(22]。录音是数字化以每秒360样本/频道数分辨率10 mV范围。这些记录第一次带注释的至少两个独立心脏病专家。所有注释达成协议,同意后注释标记在一个计算机可读的格式。注释对于每一个打在心电图包括R-peak的位置和心律失常它属于的类型。数据库包括15个类型的心律失常,如室性过早,心房过早,心房扑动。图2显示了创纪录的100的一个片段。如图2每条记录包含两个领导,说,两个渠道的ECG信号。

2.2。数据预处理

根据ANSI / AAMI EC57:1998标准(9),15个类型的心律失常节拍可以分为五类,包括nonectopic (N)节拍,室上异位(S)节拍,心室异位(V)节拍,融合(F)节拍,和未知的(Q)节拍。表2显示了这些类别的细分。


N	年代	V	F	问

正常的	心房过早	过早心室收缩	融合心室和正常	节奏
左束支	异常的心房			融合的节奏和正常
右束支阻滞	节点(交界)为时过早	心室逃脱		不可归类的
心房逃脱	室上过早
节点(交界)逃脱

符合ANSI / AAMI EC57:1998推荐的做法(9),我们排除了4记录从心脏起搏器的患者,因为记录包含节奏节拍不保留足够的信号质量。剩下的记录,只有修订过第二信号。然后,我们发现在每个记录R-peak段心跳。R-peak检测算法并不是我们研究的重点,提出了许多优秀的算法在文献[11,23]。此外,我们直接用原始数据和没有应用去噪技术。更多的细节可以在[9]。

共有100507名心跳从44分段记录。每个打长250样品,围绕R-peak,包含99个样本之前R-peak R-peak后和150个样本。然后,他们被分为五类根据他们的注释。表3显示了每个类别的心跳。类似于(6,24,25),类问丢弃,因为它是略(0.012%)在数据库中表示。图1显示了一些片段在四类。


类	心电图的心跳

N	90023年
年代	2758年
V	6914年
F	800年
问	12
总	100507年

2.3。数据增加

心跳的数量之间存在着巨大的不平衡类N, S, V,和F,这将导致劣质分类性能(10,26]。在[数据扩增方法后26),我们增广数据通过添加与零均值高斯白噪声方差和0.05。具体来说,作为类N有足够的心跳,我们随机选择了90000名心跳,没有添加噪声。胜在剩余的类的数目分别增加到90000来匹配,在课堂上n .因此,增强数据库包括360000心跳。

3所示。方法

在本节中,我们将介绍我们的心电图分类的方法。节3.1,我们描述小波散射变换用于学习心电图信号的特征表示。然后,我们介绍了使用分类器部分3.2。

3.1。小波散射变换

小波散射变换构建翻译不变,稳定,和信息信号表示。是稳定的变形和蜜饯类辨别力,这使得它特别有效的分类。我们指的是(17- - - - - -20.)因其卓越的实用分类的性能。

我们将遵循的符号19]。让下的信号分析。的低通滤波器和小波函数旨在建立过滤器覆盖整个信号中包含的频率。让的低通滤波器,提供本地翻译不变的描述在一个预定义的规模。我们表示小波指数的家庭拥有一个八度音阶频率分辨率。多尺度高通滤波器银行可以通过扩张构造小波。

小波散射变换是用深卷积网络,遍历实现传统的小波变换,非线性模量,平均操作符。卷积生成一个本地翻译不变的特性 ,但也导致高频信息的丢失。这些可以恢复丢失的高频小波系数变换

一阶散射系数是通过小波模量系数的平均值 :

平均恢复丢失的信息,指出可以被视为的低频分量 ,我们可以提取互补的高频系数

进一步定义了二阶散射系数

重复上面的过程定义小波模量曲线玲珑

平均与给出了 - - - - - -阶散射系数

这种散射过程如图3。最后的散射矩阵聚集所有订单的散射系数来描述输入信号的特点,在哪里是最大分解顺序。

网络翻译的不变性规模不变,可可能很大,由于平均操作由低通滤波器。财产继承了小波变换,特性是稳定的局部变形。散射分解可以捕捉细微变化幅度和持续时间的心电图信号,难以衡量,但反映心脏的情况。因此,我们利用小波散射网络产生的强劲表示在一个心律失常心电图心跳,减少差异类别不同类别之间的同时保持足够的辨别力。

虽然小波散射的结构类似于CNN网络,他们有两个主要区别:过滤器不是学习而是提前设置和功能不仅是最后的输出卷积层也是所有这些层的组合。它已经表明,散射系数迅速降低的能量随着层水平的增加,几乎99%的能量中包含的第一个两层(18,19]。因此,我们使用一个二阶散射网络提取心电信号的特征。这也大大降低了计算复杂度。

3.2。分类器

我们接下来简要介绍分类器结合使用特性来预测ECG信号的类成员。我们选择分类器根据两个标准。首先,必须广泛应用于现有的文献分类器,如神经网络、资讯,并通过和支持向量机(SVM)。第二,它必须能够有效地处理高维度和大尺寸的训练数据。NN,资讯,并通过满足这两个要求,而支持向量机计算效率较低。因此,我们使用神经网络分类的资讯,并通过这项工作。

3.2.1之上。神经网络

前馈神经网络是最广泛使用的人工神经网络的分类(27,28]。我们设置架构如下。有75个神经元在输入层,对应75维的特征向量提取小波散射变换。六个隐藏层包含70年,60岁,45岁,30岁,20日和10个神经元,分别和前五个隐藏层ReLU被激活的功能: 。输出层神经元有4个,每一个都代表了将Softmax心律失常类别和激活功能:

我们使用了叉成本函数(10),采用误差反向传播算法来解决权重。亚当算法(29日)是用于自适应更新学习速率。我们设置迭代次数为50足够培训网络。

上述体系结构建立了通过试验和错误。我们已经尝试几个不同的隐藏层个数的组合,不同的激活函数,不同数量的神经元在每一层,在minibatch不同数量的样本大小,和不同时期的参数更新,等。考虑到综合分类精度和计算成本,我们现在的网络达到最佳性能比其他测试架构。神经网络训练后,所有的测试数据都输入网络测量其分类性能。

3.2.2。概率神经网络

并通过(30.)是广泛应用于分类和模式识别问题。并通过算法的类一个新的输入数据的概率估计和贝叶斯规则然后用来分配类的后验概率最高的新的输入数据。对所测试的操作在一个被组织成一个前馈网络四层:输入层、图案层,求和层和输出层。输入层神经元有相同数量的特征向量的维数。每个神经元代表一个预测变量的值传到每个模式层神经元。每个样本的模式层包含一个神经元在训练数据。每个隐藏神经元计算测试样本的欧几里得距离神经元的中心点。求和层具有相同数量的神经元的输入数据的类别。重量的一个隐藏的神经元是美联储唯一的模式神经元对应的隐藏神经元的类别。输出层比较了加权投票为每个目标类别累积求和层,并使用最大的投票预测目标类别。 PNN is more accurate than the multilayer neural network. It can approach the Bayesian optimal classification as long as the training data is enough. In this study, four layers in the trained PNN contain 75, 324000, 4, and 1 neurons, respectively.

3.2.3。k最近的邻居

然而,是一种非参数方法广泛用于分类。输入包括最近的训练样本在特征空间中。一个未标记的数据是通过指定标签分类中最频繁查询数据的最近的训练样本。常用的距离度量的资讯是欧几里得距离。的选择值,我们使用蛮力方法。具体地说, 经过测试, 分类是最适当的值。因此,我们只有现在的结果节4。

4所示。实验结果

在本节中,我们将讨论散射变换的特征提取和分类过程。具体来说,两种方法将基于降维的模式特性。

小波散射变换,并通过,然而,分类器是由MATLAB实现2018 b。我们使用Python 3.7实现神经网络分类器。

4.1。特征提取

我们使用了伽柏小波进行小波分解。相应的低通滤波器是一个高斯函数。我们设置了不变性扩展到0.5秒。所构造的小波散射网络包括两层。我们设置和小波每倍频程在第一和第二层次,分别。我们试过其他不同的设置不变规模和小波八度决议,但这种体系结构保留了信号最好的分类信息。图4显示了使用伽柏小波和它的低通滤波器。注意coarsest-scale小波不超过不变性规模由时间决定支持的低通滤波器。

(一)

(b)

小波散射网络形式的输出一个张量的大小。每片的散射系数张量是一个心电图的心跳。散射系数是非常及时downsampled基于低通滤波器的带宽,导致75时间窗口的每个散射路径。获得一个数据结构兼容使用的分类器,我们重塑了张量为矩阵的每一列和行对应于一个散射路径和一个时间窗口,分别。我们获得了2880000行,因为有8个时间窗口的每个数据库中的360000个信号。图5显示了散射系数的windows 8时间一个心电图的心跳。

4.2。与神经网络分类

神经网络分类器能够对大数据分类的任务,所以我们用它来初步测试8时间窗的分类性能。对于每一个心跳,我们创建标签匹配时间窗口的数量。每个时间窗的决定被多数投票聚合生成的标签输入心电图的心跳。

我们雇了一个10倍交叉验证(31日]。首先,360000年的心电图心跳被分成10个相等的部分。然后,其中90%是用于训练网络,剩下的10%是用于测试。这个过程被重复10次,整体性能是平均价值的10倍。

AAMI已经提供了标准和推荐实践报告心律失常自动检测算法的性能结果(9]。我们跟着这些实践,本文的方法可以比较表1。,阳性预测值(PPV)敏感性(SEN)和特异性(规范)被用来测量方法的分类性能。表4介绍了在10折叠混淆矩阵。表5提出了每个时间窗口的准确性。


原始	预测
原始	N	年代	V	F	PPV (%)	森(%)	规范(%)

N	88681年	369年	737年	213年	90.9	98.5	96.7
年代	4106年	82994年	2006年	894年	93.9	92.2	98.0
V	2669年	2132年	83701年	1498年	91.7	93.0	97.2
F	2124年	2872年	4843年	80161年	96.9	89.1	96.5


时间窗口	1	2	3	4	5	6	7	8

ACC (%)	88.9	90.3	92.2	92.8	92.2	91.2	89.8	87.3

4.3。PCA和时间窗的选择

如图5,8次窗户都显著相关。表5说明了侧吹风,窗户第4和第5次比其他人更好的歧视。我们还可以看到从图5这三个时间窗口有更大的振幅波动,这意味着它们含有更多的和清晰的心电图心跳的细节,特别是第四时间窗口。为了获得更好的性能和降低计算成本,我们使用两种方法来减少冗余的8个时间窗口。(我)主成分分析(PCA):主成分分析项目特性的方向方差降低特征维数的(最高32]。前几个主成分可以代表最变化特性。一个主成分的贡献率是它所代表的总变化的百分比。在这项研究中,有8个时间窗口中的每个节点散射网络。然而,windows 8次共线性在某种程度上,这可能会导致较低的分类性能。为了消除共线性产生更简洁的特性,我们使用主成分分析提取主成分的8为每个节点时间窗口。平均的第一和第二主成分的贡献率约为84%和15%,分别。因此,对于每个ECG的心跳,我们把8个时间窗口的第一主成分作为新的特性,这是一个75 -维向量与每个维度对应一个节点。(2)时间窗的选择:节中描述4.3,多数表决是用来预测的标签为每个测试心电图的心跳。然而,如表所示5,性能可以影响精度较低的时间窗口。此外,ECG信号的病理信息主要集中在R-peak,很短的时间。不同心律失常之间的歧视类别可能参与一个特定的时间窗口。这激励我们测试每个时间窗口分别使用不同的分类器的性能和找到时间窗口生成最佳分类结果。

神经网络分类器能够使用任意数量的时间窗口功能。在有限的计算能力,并通过和资讯分类器适合的情况下使用一个时间窗口功能。测试PCA方法,我们8时间窗口的第一主成分输入神经网络,并通过,分别和资讯分类器。整个10折叠混淆矩阵如表所示6。测试的时间窗口选择方法,我们进行了两个实验。首先,我们8时间窗口输入神经网络,并通过,然而单独分类,发现第四时间窗口生成最佳的性能。混淆矩阵如表所示7。其次,我们尝试不同的时间窗口组合和分类的神经网络分类器,发现侧吹风的结合,4日和5日时间窗口执行比其他人更好。表8提出了混合矩阵。


	原始	预测
	原始	N	年代	V	F	PPV (%)	森(%)	规范(%)

神经网络	N	83508年	2621年	2799年	1072年	92.4	92.8	97.5
	年代	3144年	84182年	1946年	728年	94.0	93.5	98.0
	V	1434年	996年	86100年	1460年	91.7	95.7	97.1
	F	2270年	1803年	3069年	82858年	96.2	92.1	97.4

并通过	N	86738年	1225年	1459年	578年	97.8	96.4	99.3
	年代	1646年	88085年	214年	55	98.6	97.9	99.5
	V	50	13	89797年	140年	98.1	99.8	99.4
	F	228年	27	21	89724年	99.1	99.7	99.9

然而,	N	87816年	690年	1091年	403年	96.5	97.6	98.8
	年代	2418年	86520年	627年	435年	98.9	96.1	99.7
	V	156年	62年	89612年	170年	98.0	99.6	99.3
	F	572年	186年	112年	89130年	98.9	99.0	99.7


	原始	预测
	原始	N	年代	V	F	PPV (%)	森(%)	规范(%)

神经网络	N	88146年	811年	789年	254年	93.8	97.9	97.8
	年代	3181年	85641年	901年	277年	94.9	95.2	98.3
	V	1553年	1323年	85084年	2040年	94.4	94.5	98.1
	F	1108年	2439年	3343年	83110年	97.0	92.3	97.5

并通过	N	86415年	2540年	615年	430年	99.8	96.0	99.9
	年代	171年	89828年	0	1	97.2	99.8	99.0
	V	1	71年	89879年	49	99.3	99.9	99.8
	F	0	1701年	1645年	86654年	96.0	96.3	98.8

然而,	N	88915年	644年	281年	160年	98.5	98.8	99.5
	年代	893年	87177年	1155年	775年	92.7	96.9	97.4
	V	496年	4545年	82247年	2712年	96.4	91.4	98.9
	F	0	3	0	89997年	99.5	One hundred.	One hundred.


原始	预测
原始	N	年代	V	F	PPV (%)	森(%)	规范(%)

N	88156年	560年	1042年	242年	95.3	98.0	98.4
年代	2662年	86180年	721年	437年	96.3	95.8	98.8
V	909年	933年	86431年	1727年	94.6	96.0	98.2
F	794年	1836年	3163年	84207年	97.2	93.6	97.9

5。讨论

在本节中,我们将讨论部分中给出的分类结果4.3和比较我们与最先进的研究方法。

神经网络:在所有方法使用神经网络分类器,利用第四时间窗口特性提供了98.1%,平均PPV的最大平均ACC SEN,和规范的99.3%,98.2%,和97.8%,分别。比较表4,7,8,我们可以确认删除一些时间窗可提高分类性能。这表明有一些冗余的8个时间窗和四个类别之间的差异(N, S, V, F)主要反映在3日,4日和5日时间窗口。4时间窗的性能接近的侧吹风的结合,4日和5日的时间窗口。然而,后者的训练时间的三倍4时间窗口。此外,第一主成分的性能8时间窗口是不满意,这是比4的时间窗口。

并通过:比较表6和7,4日时间窗口和第一主成分提供了几乎相同的结果结合并通过( )分类器。前者是略好,收益率平均ACC, PPV,森,和规范的99.0%,98.7%,99.9%,和96.0%,分别。我们用蛮力方法设置的值。并通过分类器扩散值为0.005,0.01,0.02,0.03,0.04,0.1,和1测试过,有0.01的传播价值产生最好的结果。表7表明,室上异位的森胜(SVEB)和心室异位胜(VEB)分别为99.8%和99.9%,分别;这意味着几乎所有的SVEB和VEB已经正确地检测到。因此,并通过分类器在分类性能优良SVEB VEB,应该更加关注在临床诊断。

资讯:这个工作是通过资讯的最佳性能和使用第四时间窗口的功能。平均ACC, PPV、森和规范是99.3%,99.6%,99.5%,和98.8%,分别比PCA特征要好得多。然而,这个结果只是措施的性能分类正常(N)和(S, V, F)心电图异常心跳。从表7对所测试,我们可以发现不同的心律失常分类类别的分类器性能更好,尤其是VEB和SVEB。

表1总结了最近的进步自动心电图分类比使用MIT-BIH心律失常数据库。只有四个同样的心律失常分类工作,N, S, V, F,问:Martis et al。32]PCA用于离散余弦变换(DCT)系数计算分段跳动的心电图。dimensionality-reduced特性结合资讯分类器产量最高的平均ACC,森,和规范的99.52%,98.69%,和99.91%,分别。然而,混淆矩阵(没有提供32]。李,周33)使用小波包熵热电制冷(RF)和随机森林分类ECG信号分为5类;他们获得了ACC的94.61%。Acharya et al。26)使用9-layer卷积神经网络实现了平均ACC,森,和规范的93.47%,96.01%,和91.64%,分别。杨和魏6]结合参数和视觉模式的特性和使用资讯的分类。他们获得一个整体ACC为97.70%。V和年代的精度不满足,显著降低整体的精度。

表9通过我们的方法总结了表演。我们可以从表的结论9和1这项工作的表现比那些最先进的研究分类心电图心跳分为5类(N, S, V F和Q)。这表明小波散射变换提取心电图心跳的功能表现良好,减少组内差异和维护组内的辨别力。此外,散射系数在特定的时间窗口含有更多的代表不同类别的信息比其他时间窗口。的降维8时间窗口消除了冗余的特征,这不仅可提高分类性能,而且降低了计算成本。在这项研究中,我们的研究结果表明,散射系数的第四届时间窗口包含足够的信息对心律失常的分类。


特征提取	分类器	TP	TN	《外交政策》	FN	ACC (%)	PPV (%)	森(%)	规范(%)

摘要:	神经网络	261101年	88681年	1319年	8899年	97.2	99.5	96.7	98.5
摘要:+主成分分析	神经网络	263152年	83508年	6492年	6848年	96.3	97.6	97.5	92.3
	并通过	268076年	86738年	3262年	1924年	98.6	98.8	99.3	96.4
	然而,	266854年	87816年	2184年	3146年	98.5	99.2	98.8	97.6
WSN + 3日,4日和5日时间窗口	神经网络	264158年	88146年	1854年	5842年	97.9	99.3	97.8	97.9
传感器网络+第四时间窗口	神经网络	265091年	87999年	2001年	4909年	98.1	99.3	98.2	97.8
	并通过	269828年	86415年	3585年	172年	99.0	98.7	99.9	96.0
	然而,	268611年	88915年	1085年	1389年	99.3	99.6	99.5	98.8

TP:真阳性;TN:真阴性;FP:假阳性;FN:假阴性;摘要::小波散射网络。

6。结论

在这项研究中,我们讨论了自动心电图分类使用非线性特性的小波散射变换提取心电图节拍。结合适当的分类器,这项研究表明小波散射系数可用于分类和产生高度准确的分类结果。我们的研究结果表明,散射系数的第四届时间窗口结合资讯分类器实现最佳的性能。平均ACC, PPV、森和规范是99.3%,99.6%,99.5%,和98.8%,分别。在未来的工作中,我们将尝试把所有时间窗的适当方法,然后给他们到一个稀疏分类器来改善分类性能和降低计算成本。此外,所有的工作表1病人独立,心电图节拍收集从一个病人池和实验进行不考虑同一病人心电节拍的自相关。Nascimento et al。34提出一个创新的配置结构同现矩阵。也极大的兴趣拓展小波散射变换心律失常的病人自身分类使用心电图信号。

数据可用性

使用的所有数据在我们的研究中可以访问http://ecg.mit.edu/dbinfo.html。

的利益冲突

作者宣称没有利益冲突。

确认

Zhishuai刘、张Junpu Xueying曾被中国国家自然科学基金支持(号。11701538、11771408、11771408)和中央大学的基础研究基金(没有。201964006)。清张和桂花姚明是中国国家自然科学基金支持的[不。81671703),山东的主要研究和开发项目(没有。2015 gsf118026],青岛键健康学科发展基金,和青岛的民生科技项目(没有。18 - 6 - 1 - 62 - nsh)。

引用

世界卫生组织,“心血管疾病(心血管病),”2019年5月,https://www.who.int/en/news-room/fact-sheets/detail/cardiovascular-diseases-(心血管病)。视图:谷歌学术搜索
e . j .本杰明s . s . Virani c·w·卡拉威et al .,“心脏病和中风统计- 2018更新:美国心脏协会的一份报告,“循环,卷137,不。12日,2018年。视图:出版商的网站|谷歌学术搜索
国家心肺和血液研究所”,心律失常,”2019年5月,https://www.nhlbi.nih.gov/health-topics/arrhythmia。视图:谷歌学术搜索
美国r . r . j . Martis Acharya, h·埃德里,“在心电图特征,当前的方法”计算机在生物学和医学,48卷,不。3、133 - 149年,2014页。视图:出版商的网站|谷歌学术搜索
m·m·a . Hadhoud Eladawy, a .法拉克,“计算机辅助诊断心律失常,”2006年国际会议上计算机工程和系统,页262 - 265,开罗,埃及,2006年。视图:谷歌学术搜索
h·杨和z,“心律失常识别和分类使用心电图形态参数和视觉模式的特性相结合,“IEEE访问,8卷,不。99年,第47117 - 47103页,2020年。视图:出版商的网站|谷歌学术搜索
美国r . r . j . Martis阿k . m . Mandana a . k .射线和c . Chakraborty“心脏决策使用高阶谱,”生物医学信号处理和控制,8卷,不。2、193 - 203年,2013页。视图:出版商的网站|谷歌学术搜索
y岩石和h . Pehlivan过早心室收缩心电图分类”,国际期刊《先进的计算机科学和应用程序》第六卷,没有。7,34-40,2015页。视图:谷歌学术搜索
促进会的医疗仪器,“测试和报告心脏节律和ST段测量算法的性能结果,“卷。1998年,1998年,ANSI / AAMI EC38。视图:谷歌学术搜索
格拉汉姆·古德费勒,y Bengio, a .考维尔深度学习,麻省理工学院出版社,2016年。
郑c, c, c . Tai”使用小波变换检测心电图特征点。”IEEE生物医学工程,42卷,不。1,第21至28,1995页。视图:出版商的网站|谷歌学术搜索
t·因斯、美国Kiranyaz和m . Gabbouj”一个通用的和健壮的系统自动化特定病人的心电图信号的分类,“IEEE生物医学工程卷,56号5,1415 - 1426年,2009页。视图:出版商的网站|谷歌学术搜索
美国r . r . j . Martis Acharya, l . c . Min”心电图击败分类使用PCA, LDA, ICA和离散小波变换,“生物医学信号处理和控制,8卷,不。5,437 - 448年,2013页。视图:出版商的网站|谷歌学术搜索
s . Mallat“集团不变的散射”通信在纯粹和应用数学,卷65,不。10日,1331 - 1398年,2012页。视图:出版商的网站|谷歌学术搜索
j .布鲁纳和美国Mallat不变的散射卷积网络。”IEEE模式分析与机器智能,35卷,不。8,1872 - 1886年,2013页。视图:出版商的网站|谷歌学术搜索
s . Mallat“深理解卷积网络”,英国皇家学会哲学学报A:数学,物理和工程科学,卷374,不。2065年,20150203条,2016年。视图:出版商的网站|谷歌学术搜索
r . Leonarduzzi h·刘,y,“散射变换和稀疏线性分类器对艺术身份验证,”信号处理卷。150年,11-19,2018页。视图:出版商的网站|谷歌学术搜索
j .布鲁纳和美国Mallat分类与散射运营商”计算机视觉和模式识别普罗维登斯,页1561 - 1566年,RI,美国,2011年6月。视图:谷歌学术搜索
然后和j . s . Mallat“音频分类、多尺度散射”国际社会对音乐信息检索会议,页657 - 662,迈阿密,佛罗里达,美国,2011年。视图:谷歌学术搜索
然后和j . s . Mallat“深散射光谱,”IEEE信号处理,卷62,不。16,4114 - 4128年,2014页。视图:出版商的网站|谷歌学术搜索
r·马克和g·穆迪“MIT-BIH心律失常数据库,”2019年5月,http://ecg.mit.edu/dbinfo.html。视图:谷歌学术搜索
g . b .喜怒无常,r·g·马克,“MIT-BIH心律失常数据库的影响,”IEEE,生物医学工程杂志,20卷,不。3、45 - 50,2002页。视图:谷歌学术搜索
j .锅和w·j·汤普金斯,”实时QRS检测算法”,IEEE生物医学工程,BME-32卷,不。3、230 - 236年,1985页。视图:出版商的网站|谷歌学术搜索
m·m·a . Rahhal y坝子,h . AlHichri n . Alajlan f . Melgani r . r .狙击兵,“深度学习心电图信号分类方法活跃,”信息科学卷,345年,第354 - 340页,2016年。视图:出版商的网站|谷歌学术搜索
k .罗j .问:李李振国王,和a . Cuschieri“患者深心电图分类架构模型,医疗保健工程ID 4108720条,卷。2017年,13页,2017。视图:出版商的网站|谷歌学术搜索
美国r . Acharya s . l .哦,y Hagiwara et al .,“深卷积神经网络模式分类的心跳,“计算机在生物学和医学卷,89年,第396 - 389页,2017年。视图:出版商的网站|谷歌学术搜索
c . m .主教神经网络模式识别,牛津大学出版社,1995年。
微积分,神经网络:一个全面的基础普伦蒂斯霍尔PTR, 1994。
d . p . Kingma和j .英航“亚当:随机优化方法,”2014年,http://arxiv.org/abs/1412.6980。视图:谷歌学术搜索
d . f . Specht“概率神经网络”,神经网络,3卷,不。1,第118 - 109页,1990。视图:出版商的网站|谷歌学术搜索
r·o·杜达·e·哈特和d . g .鹳,模式分类约翰•威利& Sons 2012。
u r . r . j . Martis阿k . m . Mandana a . k .射线和c . Chakraborty“主成分分析应用到心电信号的自动诊断心脏健康”专家系统与应用程序,39卷,不。14日,第11800 - 11792页,2012年。视图:出版商的网站|谷歌学术搜索
t·李和m .周”,心电图分类使用小波包熵和随机森林,”熵,18卷,不。8,285年,页2016。视图:出版商的网站|谷歌学术搜索
l·n·m·m·Nascimento马里奥,s . a . Peixoto j.p.淡水河谷Madeiro,诉h·c·德·阿尔布开克,和p . p . r .球场,“心脏心律失常分类基于统计和结构同现时刻,”电路系统和信号处理,39卷,不。2、631 - 650年,2020页。视图:出版商的网站|谷歌学术搜索
ot阿齐兹·伊南、l . Giovangrandi和g·t·a·科瓦奇“过早心室收缩的健壮的神经元网络分类使用小波变换和时间间隔功能,“IEEE生物医学工程,53卷,不。12日,第2515 - 2507页,2006年。视图:出版商的网站|谷歌学术搜索
o . Sayadi、m . b . Shamsollahi和g·d·克利福德“过早心室收缩的健壮的检测使用贝叶斯框架搪塞过去,“IEEE生物医学工程卷,57号2、353 - 362年,2010页。视图:出版商的网站|谷歌学术搜索
美国r·h·普拉萨德,r . j . Martis Acharya, l . c . Min和j·s .苏瑞”应用程序的高阶谱准确界定心房心律失常,”IEEE 2013年第35届国际会议在医学和生物工程协会(EMBC)页,年度日本大阪,2013年。视图:出版商的网站|谷歌学术搜索
u r . r . j . Martis Acharya, h·普拉萨德,c . k . Chua c . m . Lim和j·s .苏瑞“心房心律失常分类,应用高阶统计信息”生物医学信号处理和控制,8卷,不。6,888 - 900年,2013页。视图:出版商的网站|谷歌学术搜索
美国r . r . j . Martis Acharya, c . m . Lim k . m . Mandana a . k .射线和c . Chakraborty”应用高阶累积量特征对心脏健康诊断使用心电图信号,”国际期刊的神经系统,23卷,不。4、2013。视图:出版商的网站|谷歌学术搜索
美国r . r . j . Martis Acharya, h·埃德里et al .,“计算机辅助诊断心房心律失常使用降维方法在变换域表示,“生物医学信号处理和控制13卷,第305 - 295页,2014年。视图:出版商的网站|谷歌学术搜索
y岩石和h . Pehlivan特征选择使用遗传算法过早心室收缩分类,”2015年9日电气与电子工程国际会议(ELECO)囊,页1229 - 1232年,土耳其,2015年11月。视图:谷歌学术搜索
诉Mondjar-Guerra j .新生j . Rouco m·g . Penedo和m·奥尔特加“心跳分类融合时间和形态ecg信息通过系综分类器,”生物医学信号处理和控制卷,47 41-48,2019页。视图:出版商的网站|谷歌学术搜索

计算和数学方法在医学

机器学习和网络生物学和医学的方法2020

文摘