文摘
心电图(ECG)是最常见的和低成本的诊断工具用于医疗机构筛查心脏电信号。心脏异常信号通常称为心律失常。心律失常可能是危险的,或在大多数情况下,它可以导致死亡。心律失常可以是不同的类型,它可以检测到一个心电图测试。心律失常分类使用心电图的自动筛选是发达。自动化系统可以适应作为筛查工具心律失常分类扮演着至关重要的角色不仅对病人,还可以帮助医生。深上优于心律失常自动分类技术开发精度高的结果,但仍然没有通过从医人员作为广义的方法。主要担心影响了心律失常的成功探测系统(i)手动功能选择,(ii)技术用于特征提取,和(3)算法用于分类和最重要的是使用不平衡数据的分类。本研究关注的是最近的趋势在心律失常分类技术,并通过广泛的模拟,各种心律失常的分类和检测模型的性能评价。最后,研究提出了见解心律失常分类技术来克服现有方法的局限性。
1。介绍
心脏疾病可能会导致严重的警告对公众健康,而且在大多数情况下,某些心律失常可引起严重的伤害或死亡。根据世界卫生组织(世卫组织)提供的数据(1),在2020年大约有2560万人死于心血管疾病。心电图测试作为医疗机构的诊断工具。病人的身体表面的电极可以记录心电信号。图1显示了心电图使附着在人体的体表心电信号。
医疗保健专业人员手工诊断病人心脏病通过解释心电图图像。在技术的出现,一些开发工具自动诊断心律失常分类和检测,协助医生。pcg和ecg诊断心律失常的分类。PCG(也称为心音听诊)通常是由医生通过听诊器听或记录识别心脏违规行为。出于这个原因,心跳已经批判性研究做出诊断(2- - - - - -5]。汗等。6)提供了一个非常全面的介绍相关研究问题领域,提出了一种基于款技术,分类的三种心律失常节拍。CNN被认为是最先进的工具,心律失常的分类,并研究了与一些变体如维,二维,或两者的结合7,8]。据肖et al。7),一个新的心律失常分类技术包括三个阶段:预处理,维CNN架构基于集团块与双向层之间的连接和过渡块注意力机制,和多数投票预测最终结果。实验进行生理网/ CinC 2016数据库。然而,低频噪声问题记录在心律失常胜被忽略,和二维声学表示需要额外计算,不能没有hyperparameters不成。同样,诺曼et al。8)提出了一个框架基于单维的CNN直接从原始特征学习心律失常节拍和二维CNN,将二维时频特征图。
在最先进的研究4- - - - - -8),自动化系统预测精度高的结果是为心律失常开发检测由医疗专业人员,但仍不能被收养的。主要的担忧影响了心律失常的成功探测系统(i)手动功能选择,(ii)技术用于特征提取,和(3)算法用于分类和最重要的是使用不平衡数据的分类。所需的自动化检测心律失常心电图图像的特征提取,需要领域知识。在过去的几年里,深上优于系统被公认为一个工具在医疗机构高层抽象特征自动提取功能,避免费力手动功能设计。深神经网络中配置和人脑一样的时尚作品。单个神经元理解和识别模式基于不同组件之间的逻辑原则。提出工作的主要关心的是审查最近趋势的心律失常分类技术和寻求限制和未来需求。这项研究可以帮助研究者深入了解心律失常分类和学习方法用于开发自动化系统。
论文分为六个部分的提醒。提出研究的方法讨论了部分2和社区的相关工作在当前领域的研究提出了部分3比较接近。最近的趋势的心律失常分类和当前研究的局限性中讨论部分4和5,分别。本文的结论部分6。
2。方法
在本研究中,作者遵循心律失常的映射技术使用深层神经网络分类技术。图2展示了系统方法的四个步骤的过程。本研究的主要目的是批判性审查现有的方法基于心律失常分类发布论坛(9]。
2.1。研究目标
本研究的主要目的是回顾心律失常分类技术的发展随着时间的推移,即。,2010年1月至2020年1月,使用机器和深度学习的方法。本研究的主要目标(1)检查心律失常分类技术几乎是可实现的。(2)概述现有的研究基于心律失常分类效益和未来的研究方向。(3)识别的最新研究趋势和出版利益基于心律失常分类。
2.2。搜索字符串
最可靠和可信数据源中可用的数字世界所需的文章选择研究是ACM,爱思唯尔,谷歌学者,IEEE数字图书馆,自然科学报告,施普林格,科学指引和Web的科学。两个主要的搜索字符串中使用的所有数据存储库下载相关文章。(1)(“心律不齐”或“心律失常分类”或“心律失常”或“心律失常检测”或“心脏障碍”或“心电图”或“心脏”)和(“深层神经网络”或“款”或“深度学习”或“dl”或“神经网络”或“nn”或“卷积神经网络”或“cnn”或“递归神经网络”或“rnn”或“长短期记忆”或“lstm”)(2)(“心跳”或“心脏障碍”或“心脏”“心脏异常”或“心律不齐”或“心声”“心信号”或“心电图”或“心电图信号”或“心电图图像”)和(“深层神经网络”或“款”或“深度学习”或“dl”或“神经网络”或“nn”或“卷积神经网络”或“cnn”或“递归神经网络”或“rnn”或“长短期记忆”或“lstm”)
在线发表的同行评审的质量最好的文章仅从2010年1月到2020年1月被选为这个研究。
2.3。选择标准
相匹配的识别和选择最适合的文章研究的主要目标是识别深层神经网络的最新趋势心律失常分类技术。表1显示在这项研究中使用的包含和排除标准。
3所示。文献综述
根据选择标准,五十的技术文章心律失常分类是研究发表在2010年1月至2020年1月之间。所选文章都是严格检查,如果选择的文章都可以在多个科学库或数据库,它被认为是只有一次。不同种类的方法,分类算法精度的结果,和优化方法用于心律失常分类综述了从所选的文章。表2显示了文献调查心律失常分类技术用于这项研究。
作者目前心律失常分类的最近的趋势,技术用于特征提取和深层神经网络的变化。科学界的研究是有益的选择心律失常分类技术按他们的欲望。表3最近发现的最新趋势提出了心律失常的分类研究。
4所示。最近的趋势在心律失常分类
本研究的主要目的是向技术用于心律失常分类与公开的心电图数据库用于深/机器学习算法。选择先进的研究显示最常见的心律失常的分类方法及其精度的结果。精度结果代表了机器学习算法的成功率,如何被训练识别自动地面真理。本研究的主要目的是帮助科学界列出方法用于心律失常分类与预测的结果,研究人员可以很容易地选择根据他们的需求的技术。图3显示大多数采用了心律失常的统计分类技术应用于选定的研究。
4.1。深度学习的体系结构
深度学习技术是常用的医学图像分析。深层神经网络(款)配置在相同的方式作为人类大脑工作。单个神经元理解和识别模式基于不同组件之间的逻辑原则。深层神经网络神经元的基本单位是由重复的任务训练,经验就像人类的大脑通过知识获得的训练来获得。培训和获取知识的重点是输入和输出之间建立连接。训练后,系统能够检测的对象什么训练。通过回顾心律失常分类研究,最常见的心律失常分类方法款给出如下:(1)递归神经网络(RNN)(2)长短期记忆(LSTM)(3)Autoencoder(4)卷积神经网络(CNN)(5)深层神经网络(款)(6)深度信念网(DBN)
以下4.4.1。递归神经网络(RNN)
RNN架构属于神经网络的家庭。RNN允许信息被存储在相邻的层内的循环。RNN是一个流行的网络,使用推理从过去的经验培训即将开始的事件。RNN-based深架构是广泛用于心律失常分类系统,可以训练序列向量。图4显示RNN架构的内部工作。
4.1.2。长短期记忆(LSTM)
LSTM RNN的繁殖体系结构(59常用的深度学习领域的。一般前馈,神经元连接,但LSTM可逆反馈连接。LSTM过程数据点像图像或它有能力处理序列的数据,如连续图像、视频或语音信号。LSTM架构有能力识别不分段的演讲和检测类似的模式。LSTM也有能力认识到心音信号或心电节拍。LSTM包含四个主要元素的基本架构,即。、细胞、输入,输出,和忘记。细胞有责任记得在特定时间间隔的值和盖茨调节细胞之间的信息流动。图5显示LSTM架构的内部工作。
4.1.3。Autoencoder
Autoencoder属于家庭的人工神经网络(ANN)的基础架构,用于训练有效的数据编码以一种无监督的方式。他们是公认的一套工具来学习基本的模式类似的数据。Autoencoder也进行降维,它试图生成一个类类似于原来的输入。引用的研究,作者提出了不同autoencoder-based架构的变化。图6显示了autoencoder的基本架构。
4.1.4。卷积神经网络(CNN)
CNN是一个基于深度学习算法。CNN是公认的工具在计算机视觉和图像处理领域。它由一个输入层、隐藏层和输出层。在中间层通过卷积神经网络,被称为隐藏层与激活函数(ReLU),蒙面池层和卷积。图7显示远期通过卷积神经网络的结构。在最先进的研究,CNN是公认的工具检测心电图打信号。
4.1.5。深层神经网络(款)
一个简单的包含多个款隐藏层,可以处理的输入输出层(60]。这款可以识别不同类型的非结构化数据。心律失常的分类,提出不同类型的神经网络,但提出网络是由相同的组件:神经元,体重,偏见,和功能。所有这些组件都能够和行动就像人类的大脑一样。深层神经网络被广泛公认的心电图图像分类方法。图8显示DNN-based架构的基本结构。
4.1.6。深度信念网(DBN)
DBN深层神经网络是一个类;它包含的多层网络中所有的层之间的连接而不是单位的每个其他层。可以训练DBN通过监督来实现更好的预测。图9显示DBN-based架构的基本结构。
4.2。心电图数据库
心律失常疾病的专家系统进行自动检测所需的训练数据来理解每个类的不同模式。作者所选的研究批判性分析心律失常分类系统和公开招募最引用/开放获取心电数据库。科学界可用的心电图数据库作为数据源表中列出4。
上面提到的数据库包含心电节拍的变化与不同类型的心律失常分类。特定领域的特色数据源具有独特的重要性。患者人群的描述这些心电图节拍得到很重要在上下文解释方法和临床实用程序。
5。限制
心律失常的分类技术进行批判性的分析;研究者把大量精力开发自动化系统具有良好精度的结果。开发的系统可以作为临床医疗专业人士的支持,但有一些限制。大多数的选择系统仅限于以下:(1)最心电图数据库不特定临床上下文。(2)病人的描述缺乏人口得到了这些ecg。这是很重要的在上下文解释方法和临床实用程序。(3)算法是基于特定的训练环境和广义的方法将被忽略。
6。结论
心脏疾病或心律失常是最危险的疾病,会导致人类死亡。研究者提出了很多的心律失常分类系统每年协助医生。自动化系统预测精度高的结果用于心律失常的检测由医疗专业人员,但仍不能被收养的,因为在最近的研究中,作者用时间序列数据,在不同的应用程序环境不适应。此外,心电图与信号的时间序列数据导致不适合稳定的基线游荡,肌肉收缩,电源线接口。一般来说,实用方法一般采用心脏病筛查心脏病人12 leads-based心电图图像。影响发展的成功的重大关切心律失常检测系统(i)手动功能选择,(ii)技术用于特征提取,和(3)算法用于分类和最重要的是使用不平衡数据的分类。所需的自动化检测心律失常心电图图像的特征提取,需要领域知识。此外,平衡数据集用于分类方法是需要避免过度拟合。在过去的几年里,深上优于系统被公认为一个工具在医疗机构高层抽象特征自动提取功能,避免费力手动功能设计。最后,这项研究可以帮助研究人员获得更深入的了解心律失常分类和学习方法用于开发自动化系统。
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。