文摘

心房颤动(房颤)是最常见的心血管疾病之一,具有高伤残率和死亡率。的早期检测和治疗房颤有很大的临床意义。本文提出了一种多特征融合到屏幕AF录音从单一铅短暂心电图(ECG)录音。该方法使用判别典型相关分析(DCCA)功能融合。它完全需要组内相关和组内相关的考虑和解决问题计算和信息融合与简单的串联或并联冗余功能。DCCA集成了传统特征提取和专家知识的深度学习特征提取剩余网络和封闭的复发性单元网络改善低精度的一个特性。基于心脏病挑战2017数据集,设计实验来验证该算法的有效性。在实验中,F1指数可以达到88%。的准确性、敏感性和特异性为91.7%,90.4%,和93.2%,分别。

1。介绍

持续心房颤动(房颤)是最常见的心血管疾病,这很容易导致中风,半身不遂,和其他疾病,严重威胁患者的健康;因此,及时诊断和治疗是必要的。然而,由于医疗资源短缺和单一模型,医生诊断,提高自动检测技术迫在眉睫。心脏节律的自动检测是一个有意义和重要的问题在不同的年龄段,包括成人(1和胎儿2]。计算技术和深度学习方法检测各种类型的心律失常被广泛开发分析心电图信号和强有力的候选人帮助临床进展通过提供一个更好的理解的医疗挑战[3,4]。随着医学的发展,人们获得了更多的理解心房纤颤的生理机制,但仍需要进一步的研究5]。生理、心房颤动的发生是由于不规则的心房收缩,这是反映在心电图:P波消失,不规则颤波(f波)不同大小和形状的出现(6,7),是一种严重的不规则的RR区间。

心房纤颤信号的检测主要分为四个部分,包括数据预处理、特征提取、特征选择和分类。其中,特征提取的准确性和效率直接影响房颤信号分类。常用的特征提取文献中通常分为两类,传统的特征提取和基于深度学习的特征提取方法。传统的特征提取方法一般分为三类。第一是提取心电信号的统计特征,也就是说,使用统计数据总结一系列的心电图数据。典型的统计数据包括的意思是,最大值,最小值,方差,偏态、峰态,计数,百分比。岩石等。8)计算的统计和时间特征的心跳,如偏态、峰态,标准偏差,平均,和减少他们使用最好的特性和分类方法,分类精度最高,敏感性,特异性的比率99.30%,98.84%,和98.40%,分别。Athif et al。9)提取统计和形态学特征,然后使用支持向量机分类器进行分类记录分为三个类别:“AF,”和“正常,其他。“算法的灵敏度为77.5%,特异性为97.9%,和96.1%的准确性在“数据库计算2017年心脏病的挑战”。第二个是信号处理,将心电图数据从时域到频域或其他领域通过离散傅里叶变换,离散小波变换等方法。阴et al。10)提出了一种多畴的心电图特征提取方法。RR间隔提取时域特征。的基于小波分解的近似系数是用来表示频域特性。此外,六个小波系数的样本熵值作为非线性特征。这三个特征是美联储为自动诊断分类器。支持向量机分类器的平均精度MIT-BIH心律失常数据库中是99.70%。第三是直接提取心电信号的时域或形态学特征,包括RR间隔,QRS波宽度,和公关区间。Dash et al。11)用统计方法评估的复杂性,随机性,RR间隔和可变性。验证由MIT-BIH房颤数据库显示了敏感性为94.4%,特异性是95.1%。Zabihi et al。12)采用时频相空间、元组和其他多个领域的特点和使用一个随机森林分类器的特征选择。F1是82.6% 2017年生理网挑战房颤竞争数据库。深度学习特征提取和分类包括卷积神经网络(CNN) [13,14)和长时间运行和短时间记忆网络(LSTM) (15,16)以及它们的变体(17,18]。华立克和Homsi19)结合卷积神经网络和长期短期记忆网络(LSTM)和使用池、步长和归一化技术来提高其准确性。网络预测每18然后选择最后一个分类预测分类。总F1生理网在挑战2017数据集是80%。

深度学习的快速发展、特性融合的优势越来越明显。近年来,一些研究人员用于心电信号检测功能融合。Smoleń[20.)第一次使用顺序递归神经网络(RNN)分类器得到每个类的概率,然后结合概率和hand-designed特性。最后,F1是生理网挑战2017年的79% (CinC 2017)。楚et al。21)提出了一种新的心律失常分类方法基于多引入线的ECG信号;的核心设计是融合两种类型的深度学习特征与一些常见的传统特征,然后使用支持向量机(SVM)分类器分类特征向量,根据AAMI标准12导INCAET数据集上的准确性为88.565%。Ghiasi et al。22)提出了两种不同的分类方法,第一种是基于功能的方法,和第二个采用深层神经网络。最后,他们利用决策表结合这两种方法的输出结果和所有记录分为三类。该方法评估使用得分函数从2017年生理网/ CinC挑战,取得总分的80%和71%隐藏训练数据集和测试数据集。

提出了一种健壮的方法能够检测房颤从单一短心电图记录。下面是本文的四个主要贡献:(1)小说深度学习和传统的功能;(2)提出了一种改进的残余网络和封闭的复发性单元网络,在空间和时间序列提取深度学习功能;(3)执行心电图特征融合使用判别典型相关分析;和(4)实现上级分类结果比上面所引的方法相同的数据库(23- - - - - -27]。

本文的结构如下:部分2介绍了特征提取方法,部分3介绍了特征融合方法,部分4性能指标,部分5实验结果和分析,部分6摘要。

2。特征提取

本节主要介绍深度学习特征提取方法和基于专家知识的传统的特征提取方法。

2.1。数据集

本文使用生理网发布的一个大型数据集/ CinC挑战2017年,其中包含8528单管线心电图记录28]。每个心电图记录数据集收集从一个独立的个体。相比,大多数的研究基于相对简单的数据集,这些数据集具有较高的研究意义。这些记录由AliveCor收集设备。数据集由单一铅ecg的8528例不同长度(约23878心跳)。类别包括正常的节奏,心房纤维性颤动节奏,节奏,噪音。数据时间9-60年代。表1显示数据库的详细信息。

表1
生理网2017数据集。
2.2。数据预处理
2.2.1。去噪和填充

巴特沃斯带通滤波器用于降噪原始心电图。巴特沃斯滤波器的频率响应是最大限度地平面(即。,has no ripples) in the passband and rolls off towards zero in the stopband [29日]。一阶滤波器的衰减是6 dB每倍频程的衰减速率sixth-order巴特沃斯滤波器是36分贝/倍频程。自从ECG信号的频率范围主要集中在0.5 Hz ~ 45赫兹,阻断频率设置为45赫兹,和频率信号输出高于45赫兹将减弱。由于卷积神经网络需要输入数据有相同的大小,但电信号的长度中心的数据集是9秒到61秒,心电图信号应该用0填充适应模型。

2.2.2。样本平衡

由于不均匀的样品数量在数据库中,正常的节奏和其他节奏样本的数量很大,即5076年和2415年,分别在房颤节律和噪声样本的数量很小,758年和279年,分别,这很容易影响的性能模型训练和过度拟合。摘要class_weight用于平衡它所提供的样本,为每个输出类权重。正常的重量和其他信号很小,而心房纤颤的重量和噪声信号大得多。class_weight方法使用平衡,其重量计算方法:n_samples / (n_classes np.bincount (y)),在那里 ,np.bincount (y)的样本总数是一定阶级,n_sample样品的总数,也就是8528。计算后,正常心电图记录的重量是0.42,心房纤维性颤动的重量信号是2.81,其他重量是0.88,噪音的重量是7.64。

2.3。深度学习特征提取

本文采用残余网络和封闭的复发性单位深入学习网络特征提取,这不仅可以减少网络的深度和有效防止过度拟合提取信号的时间特性,提取它们的空间特征。特定的网络结构如图1。


图1
深度学习特征提取使用ResNet(残余网络)和格勒乌(封闭的复发性单元)。

处理神经网络的退化,与残余结构建立身份映射的方法简化了多层网络成浅网络。根据剩余网络的特点,一维残余网络适合处理房颤信号设计。剩余网络由六个剩余的卷积。在前两个残块,过滤器是16。剩余ConvBlock由四块和一维卷积平均池层。每个卷积块包含一个一维卷积步长为1,一批标准化,与漏校正线性单元,一个空间随机损失。活跃层终于紧随其后的是一维平均池层,常用的批正常化(BN), LeakyRelu, SpatialDropout。空间随机激活函数可防止过度拟合,从而更有利于促进之间的独立性特征图不是辍学。过滤器在每两个残块的数量翻了一倍,卷积,卷积步长在每一块是1。通过残余网络获得的数据输入到封闭的复发性单元网络,和神经元的数量设置为32; finally, the output of the last hidden layer is extracted as the deep learning feature.

2.4。传统的特征提取

事实上,心电图信号作为输入提取相关统计特性。首先,多引线微分心电图实时检测算法和自适应阈值(绝对值总和30.)是用于检测QRS点。在数据集作为一个例子,A0003对应的波形和R波如图2。


图2
心电图检测算法检测QRS。

R波检测后,RR间隔计算基于R波,和RR间隔计算如下:

的位置吗 th 峰在示例 采样率。根据RR间隔和传统的心电信号的QRS波计算的特点,这些特点是输出一个特征向量。RR间隔和P波图所示3(31日]。


图3
RR间隔和P波(32]。
2.4.1。RR间隔功能

RR间隔的统计特征包括标准差和方差、最大RR间隔,最低RR间隔,平均RR间隔,pNN50 (RR的数量的比例间隔的心电图序列RR区间差异大于50毫秒的RR间隔),RMSSD(均方根RR间隔)之间的差异,SDSD(标准差RR间隔)之间的差异,和均值,方差,偏斜度和峰度的RR间隔分为六个部分。

2.4.2。P波的特性

P波的统计特征包括均值、方差、偏态、峰态,样本熵,熵和样本系数,和P波分为平均值、方差和偏斜度的六段。

2.4.3。信号队伍特性

为了提取心电信号的特征更全面,我们也基于医学领域提取信号特征和频域。这些特性首先把心电图数据从时域到频域;然后,提取frequency-related特性。在提交论文,周期图功率谱密度(PSD)和能量谱密度计算。PSD是使用快速傅里叶变换(FFT)计算。能量转换后,在特定的范围内(乐队)。所选的乐队之间5频率:0.1、6、12、20日和30 Hz。另外四个特征计算基于QRS的变化(1),计算出样本熵(SampleEn) [2),计算变异系数和密度直方图(CDF) [3),计算阈值的平均绝对偏差(疯了)4),计算心率变异性(变化)。

3所示。特征融合

3.1。基于功能连接的特性融合

基于专家知识,这个模型进行时域和频域特征提取去噪心电信号获取特征向量。它使用一个卷积残余网络和封闭的复发性单元形成一个深入学习网络,和输入数据填充ECG信号深入学习网络获得深刻的特征向量。

获得的两个特征向量串联融合成一个特征向量,输入到分类器组成的完全连接层对ECG信号进行分类,如图4和5。这个方法很简单,但是非常适用。相比单一的特征提取和分类33),这种方法改善了精度(32]。然而,由于融合特征的方法简单、粗糙,存在问题的冗余和大量的计算34]。


图4
提出的结构简单的特性融合。

图5
简单的功能融合的具体过程。
3.2。基于DCCA特征融合

针对上述缺点的连接方法,本节将使用判别典型相关分析(DCCA) [35]功能融合。DCCA的改善是典型相关分析(CCA) [36]。CCA特性融合过程不考虑类结构。DCCA方法不仅可以优化四种类型的样本之间的相关性也最小化之间的相关性的特点,不同类型的样品。拟议的DCCA特征融合方法如图6。


图6
融合提出DCCA的结构特性。

摘要判别典型相关分析(DCCA)方法用于深度学习特性和传统功能融合,提取的预处理ECG信号分别获得两个特征向量,然后DCCA用于特征融合方法。具体实现分为四个步骤如下:(1)找到一组投影方向 和 达到最大相关性在相同类型的样品的特性和最小值之间的相关性的特点,不同类型的样品。数学上,DCCA最大化相关系数。公式如下: 在哪里 (可调 ), 是组内相关矩阵, 组内相关矩阵,可调参数 测量组内相关的相对论和样品的组内相关特点,组内相关的定义和阶级之间的相关性如图7(2)计算组内相关矩阵 和组内相关矩阵 ,并设置处理样本集


图7
图形表示样本之间的关系特征。其中,六边形和圆代表每个特性,实线代表类内的相关性,虚线表示类之间的关联。

然后,组内相关矩阵和阶级之间的相关矩阵,分别显示为 在哪里 是一个块对角矩阵,这也是半正定矩阵。之间的不同阶级之间的相关矩阵和组内相关矩阵就是一个负号(37](3)解决特征值和特征向量。DCCA的优化问题可以转化成

使用拉格朗日乘数方法来解决上述优化问题将上述问题转化为一个问题的特征根和特征向量。

特征向量 对应于第一个d广义特征值, (4)每一对的样本 ,根据串联的方法进行融合。使用DCCA特征融合算法的框图如图8


图8
实现典型相关分析框图。

4所示。性能指标

为了优化心房纤维性颤动检测模型,通过大量的实验进行使用单一铅心电图数据集。本文中的实验是培养在一个服务器上配备了特斯拉V100-SXM2 GPU和Ubuntu 16.04操作系统,及其动态内存的电脑是32480 mib。

摘要正常F1得分,心房纤维性颤动F1得分,其他F1得分,三个类别的F1得分的平均值是四个指标的分类性能评价实验。这四个指标的定义可以被定义为 在哪里 的总数是心房纤颤的信号识别算法, 是信号的数量正确归类为心房纤颤的算法,然后呢 心房纤颤信号的总数。 在哪里 的总数是正常的信号识别算法, 正常的数量是正确的信号分类的算法,然后呢 正常信号的总数。 在哪里 是总数量的信号识别的算法“,” 是正确的数量的信号分类算法为“其他”, “其他”信号的总数。 在哪里 噪音信号的总数是公认的算法, 是正确的数量的噪音信号分类算法,然后呢 噪音信号的总数。

因为噪音信号太小和不平衡,整个数据集的结果是不稳定的,前三个类型的信号被选为最终的F1指数。即便如此,F1的噪音也会影响其他三种类型。除了F1之外,我们还用真阳性(TP),真阴性(TN),假阳性(FP),和假阴性(FN)计算精度(Acc),特异性(Spe)和敏感(Sen)。计算公式如下:

5。结果

四个实验用来验证该功能融合模型的可行性和有效性。前三个实验比较实验。

5.1。实验基于单一特征
5.1.1。实验基于传统特征

在这个实验中,心电信号去噪后,其统计特性和频域特性提取手动基于专家知识,最后,XGBoost(极端的梯度增加)分类器是用于分类。实验基于传统的特征提取和分类的框图如图9。


图9
框图房颤的传统特性实验管道。

XGBoost参数调谐使用随机网格搜索交叉验证,和最优参数选择。最低叶子节点权重设置为20,树的最大深度设置为11,子样品被设置为0.8,colsample_bytree设置为0.9,学习速率为0.2,和树的最大深度为11。

最小的损失函数是减少到1,将softmax目标函数用于分类,最后F1是75%。

5.1.2中。实验基于深度学习特征

在这个实验中,心电图信号检测模型的基础上,剩余网络和封闭的复发。使用深度学习的实验框图房颤特征提取分类图所示10。


图10
框图房颤的深度学习特性实验管道。

首先,填充原始ECG数据。因为中央电气数据数据库的变化从9到61年代和卷积网络要求等长的输入,心电图数据填充长度相同。本文使用了ECG信号的最大长度。采样率为300 Hz,计算最大长度是18286。每个ECG数据输入到残余网络。卷积残网络包括六个残块,每一个都由一个卷积块,剩余块以及一维平均池层。每个卷积块包括四个部分:一维卷积与步长为1层,一批标准化层,与漏校正线性单元,一个空间随机钝化层。后残余网络,数据输入到封闭的反复培训单位。封闭的复发性神经元的数量单位是32。最后,它通过完全连接输出层。 F1 ended up at 83%.

5.2。实验基于功能连接融合

在这个实验中,只是拼接和融合的特性和输入完全连接层的分类。

基于专家知识的特征向量和特征向量提取残余网络和封闭的复发性单元拼接串联得到熔融特性和完全连接的输入层进行分类。具体过程如下:首先,添加一个平层,使传统特征向量维;使用深度学习模型进行训练,反复的最后一个隐层的输出单元深度学习特征向量;最后,使用连接方法将两个特征向量集成到一个,并添加一个完全连接层进行分类。F1的值是85%,准确性和图所示的数据损失11和12。


图11
系列功能融合的精度图。

图12
的损失图系列特性融合。
5.3。实验基于DCCA特征融合

在这个实验中,传统的特征提取方法提取的特征向量基于专家知识和深度学习特征向量提取使用封闭的复发性单元和残余网络融合与判别典型相关分析,然后输入到完全连接层特征分类。最终精度验证设置为91.7,和F1是88%。的准确性和图所示的数据损失13和14。从表2,可以看出DCCA-based融合方法比串联融合方法。与简单的串联融合相比,DCCA方法考虑了样本和样本的类别信息之间的相关性,其中包含冗余信息比系列融合方法。


图13
DCCA特征融合的精度图。

图14
DCCA的损失图特性融合。
表2
不同的模型的结果。

从表可以看出2和图12比使用单一特征,特征融合的方法对房颤信号检测可以获得更好的分类精度。与单一特征提取相比,F1的分数是融合增加了2%在使用简单的特性,并与简单的特征融合方法相比,F1分数使用DCCA特性融合时增加了3%。

5.4。实验对比分析

为了验证该方法的有效性,也与之前的研究进行比较。表3列出了一些出版的ECG信号检测研究成果基于相同的数据集,包括传统的特征提取、基于专家知识、机器学习和基于深度学习的方法。从表可以看出3使用一个方法需要复杂的预处理,最后F1值是79.4%,这并不理想(24]。信号检测模型利用专家知识特征提取算法具有更好的可解释性。另一方面,深层神经网络用于自主学习特征从心电图记录。传统的方法非常容易学习。熊等。25)提出了一个16层深卷积神经网络心电信号的自动分类,最后一个F1是82.0%,准确性为80.2%。基于歧视典型相关分析的特征融合方法提出了可以融合两者的优势,实现更理想的效果。F1值是88%。的准确性、敏感性和特异性为91.7%,90.4%,和93.2%,分别有利于更准确的心电图信号检测。它是可预见的,在数据集的进一步积累,特征融合模型可以实现更强大的分类能力。

表3
比较以前的研究基于生理网/ CinC挑战2017的心电图公共数据集。

6。结论

心房纤颤信号提出了一种分类方法基于特征融合的判别典型相关分析。这种方法不仅可以对ECG信号的特征提取深度学习但也融合了传统的心电图信号样本的特性。DCCA,最大和最小类间相关性不同的样本类型被认为是,和识别结果优于系列特征融合以及深度学习或传统的使用特性。验证了该方法在公共短单管线2017生理网/ CinC挑战的心电图数据集,验证它的准确率为91.7%,敏感性为90.4%,特异性为93.2%。本文中使用的数据库本身问题不同类别之间的巨大差异,这表明,融合方法在本文中提高整体精度同时考虑其他测量标准,使检测到的心电信号和稳步提高分类性能。然而,本文只考虑全面、心电图特征级融合和互补表示不考虑决策融合层,如神经网络算法,隐马尔科夫模型和多分类器的组合。在未来的研究中,分类模型和特征融合方法将进一步改善。DCCA特征融合技术的基础上,为核心DCCA将介绍。同时,将选择更多的尖端分类器分类和识别,这将更有效的提高识别结果。

数据可用性

在当前使用的数据集的研究可从相应的作者在合理的请求或可以从下载https://www.physionet.org/content/challenge-2017/1.0.0/。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Q.Z.,林祖嘉进行概念化;J.S.二导致的方法;J.S.二和贝帮助验证;Q.Z.,H.L., and M.S. performed the formal analysis; J.S. did the investigation; Q.Z., H.L., and M.S. helped in finding resources; J.S. wrote and prepared the original draft; C.C. and Q.Z. wrote, reviewed, and edited the manuscript; Q.Z. did the supervision, project administration, and funding acquisition. All authors have read and agreed to the published version of the manuscript.