文摘
心房颤动(房颤)是一种严重的心血管疾病的现象不规则地跳动。的主要原因是各种心脏疾病,如心肌梗死。自动对焦击败检测仍然是一个挑战性的任务,需要进一步探索。一个新的框架,结合修改频率片小波变换(MFSWT)和卷积神经网络(cnn),提出了自动对焦击败识别。MFSWT是用于转换1 s心电图(ECG)段时频图像,然后,图片被送入总统CNN对特征提取和AF / non-AF击败分类。结果房颤MIT-BIH数据库显示,平均精度(Acc)的81.07% 5倍交叉验证测试数据实现。相应的灵敏度(Se),特异性(Sp)和ROC曲线下的面积(AUC)结果是74.96%,86.41%和0.88,分别。当不包括一个非常糟糕的信号质量的心电图记录测试数据,平均Acc达到84.85%,与相应的Se, Sp,和AUC值的79.05%,89.99%和0.92。本研究表明它可以准确地识别房颤或从短期non-AF ecg信号集。
1。介绍
心房颤动(房颤)是临床疾病中最常见的一种心律失常,逐步成为世界的医疗负担不断上升1]。根据弗雷明汉心脏研究,一生中房颤的风险约为25% (2]。疾病显示心房活动是不规则的,和由此产生的并发症如中风和心肌梗死(MI) [3),危及人类健康和生命的严重[4]。因此,开发自动对焦检测算法具有重要的临床和社会意义5,6]。
一般来说,房颤是明显不同于正常心律心电图(ECG)信号(7]。在房颤,RR绝对是不规则的间隔和纵波连续不规则f反应所取代,这是房颤的一个重要特性8]。许多学者提出了不同的方法基于RR间隔功能,但房颤的准确性是不够由于并发症的心电图信号(9),现有的统计模式识别能力和一般方法不满意由于各种噪声的干扰(10]。
近年来,房颤基于时域特征的检测算法已经迅速发展。陈等人。11)开发了一种多尺度小波entropy-based阵发性心房纤颤(PAF)参谋长识别的方法。在他们的工作,识别和预测为基础的支持向量机(SVM)使用方法。五十的录音MIT-BIH拥堵预测数据库选择测试算法,平均敏感性平均为86.16%,特异性为89.68%。Maji et al。12]运用经验模态分解(EMD)提取纵波模式组件和相应的参数确定房颤的发生。这个算法测试共有110周期的正常心率和68周期的房颤节律MIT-BIH AF数据库。平均平均灵敏度为92.89%,特异性为90.48%。Ladavich和Ghoraani13)构建纵波特征空间的高斯混合模型。模型被用来检测房颤,平均敏感度为88.87%,特异性为90.67%,平均的阳性预测值仅为64.99%。虽然相对较好的检测性能是通过上述方法,问题和存在的问题。首先,不同的方法用于房颤识别不同信号长度。如何将执行的准确性,如果非常短期的(如1)心电图段?这可以显示房颤瞬态检测的能力。此外,心电图波形有各种各样的形态和异常波形发生房颤时不同,导致开发出基于机器学习模型的泛化能力差。因此,如何提高模型的泛化能力是一个关键问题。
卷积神经网络(cnn) [14)可以自动提取功能没有人工干预和专家先验知识。同时,时频(t f)技术作为预处理操作1 d ECG信号转换到二维t f特性可以用来转移到一个分类器。目前常见的t f方法有很多,如短时傅里叶变换(STFT),能量分布(项),连续小波变换(CWT) [15]。罗等。16)提出了一个修改频率片小波变换(MFSWT)在2017年。MFSWT遵循的规则产生t f表示,包含心电信号在时域和频域的信息域,如纵波,QRS-wave,让。另外,MFSWT可以找到上面的字符准确,避免复杂的设置参数。MFSWT的光谱图可以表示为图像,而CNN和图像的组合是最优秀的选择之一。例如,刘等人。17]提出的方法学习条件随机域(crf)使用结构化的SVM (SSVM)基于特性从图像分割的pretrained深CNN。Ravanbakhsh et al。18)推出了一个表示视频的功能,优于先进的几个数据集动作识别的方法。李和Kwon [19)建立了一个完全连接CNN,训练相对稀疏的训练样本,和一个新引入的学习方法称为残余学习(HSI)高光谱图像的分类。
在这项研究中,采用MFSWT收购t f图像短期房颤和non-AF心电图段MIT-BIH心房纤颤的数据库(MIT-BIH非洲发展银行)。深CNN共有12层被开发来训练一种AF / non-AF分类模型。指标包括精度、灵敏度、特异性和曲线下的面积被用于模型评估基于5倍交叉验证方法(20.),评价该方法的稳定性和泛化能力相比,现有的方法。现有的研究已经取得了很好的性能,但是没有大数据的验证。在本文中,我们使用的所有数据在数据库中增加模型的泛化能力。
2。方法
2.1。修改频率片小波变换
在我们以前的工作,修改频率片小波变换(MFSWT) [16心跳时频光谱代)提出,后片小波变换频率的主要原则(FSWT) [21]。修改后的频域变换生成t f表示,和绑定信号自适应频率切片功能(FSF)被引入作为一个动态频率滤波器。FSF平稳变化的窗口大小与能量信号的频率分布在低频区域。低频ECG信号MFSWT具有良好的性能,和它的优点包括信号自适应、定位准确的时频组件。FSF的重建也是独立的,它很容易被临床医生接受。
假设的傅里叶变换 。MFSWT可以定义如下: 在哪里和分别观察时间和频率”,”代表共轭算子,是频率切片功能(FSF): 被定义为一个规模的函数 ,
它使变换将信号自适应性能。在(3),对应于最大 。 是一个微分算子,意味着符号函数,返回1如果输入大于0,0,如果为零,或−1如果小于零。在(2), ,根据要求在21),那么可以重建原始信号如下:
图1显示4 s正常心电图,房颤信号及其对应的MFSWT光谱,分别从06426年记录。MFSWT,心电信号的时域特征波,纵波、QRS-wave,准确和让位于信号频谱。同时,每个组件的t f的光谱空间分布与心电图信号频率相一致。
(一)
(b)
(c)
(d)
在这项研究中,使用MFSWT作为一种工具来生成色CNN-based ECG信号的分类。1 s窗口,集中在发现R-peaks(0.4和0.6之前年代),用于段每一个心跳。随后,大小为250 t f色90(对应1 s的时间间隔和0 - 90赫兹频率范围)提出MFSWT产生的。这是紧随其后的数据减少。平均52模板操作减少了声音的大小为5045岁。
2.2。卷积神经网络(cnn)
深CNN被勒存改进等。22]。CNN的突破表现在过去的几十年里为解决模式识别问题(23),特别是在图像分类(24]。它已经成为一种很流行的方法,特征提取和分类不需要预处理和pretraining算法(25]。
CNN是序列函数或层的组合,将输入向量映射到一个输出向量。输入表示如下:
同样的,和的偏见和内核th神经元在层 ,分别。的输出是什么th神经元在层 ,和意味着一个常规二维卷积不补零的界限。因此,输出可以描述如下:
此外,CNN还包括反向传播(BP),为了调整的三角洲误差th神经元在层 。假设相应的输出向量的输入 ,及其地面实况类向量 ,我们可以把平均绝对误差(MSE)如下:
因此,可以总结为三角洲错误
MFSWT,我们已经将信号波在二维空间特征。然后,我们运用CNN学习相关信息的特征波在二维空间,实现分类。CNN的输入是波在二维空间特征计算索求的信号。CNN使用Matlab中的神经网络工具箱实现R2017a。
在本文中,我们使用CNN自动提取的特征标记图像并计算分数分类预测的图像。总统夫人开发网络结构,其中包含3卷积层,3 ReLU层,马克斯池层,3完整连接层除了输入和输出层。我们测试了每一层的过滤效果和获得这些值通过运行一个网格搜索方法。图3详细说明了实现网络的体系结构及其组件的每一层。
3所示。实验设计
3.1。数据库
数据库是从MIT-BIH非洲开发银行(26]。MIT-BIH非洲发展银行包含大量的心电图数据注释的一个专业的心脏病专家,权威的心电图数据库在心律失常的分类。这个数据库可以用于开发和评价心房颤动/颤振探测器依靠计时信息。它由25个录音(25个学科从动态心电图记录)。个人记录每10小时15分钟时间,包含两个心电图信号;每个取样以每秒250个样本与12位分辨率的范围10毫伏。参考手册注释文件包含节奏变化注释(suffix.atr) (27]和节奏的注释类型:房颤,澳式足球联盟(心房扑动),J (AV交界节奏)和N(用于指示其他节奏)28]。在我们的实验中,AFL J和N是归因于non-AF类别。图4显示了心电图的例子(每个4 s)的四个节奏类型(正常、房颤心房扑动,AV结)“06426”的记录。
(一)
(b)
(c)
(d)
3.2。信号预处理
总共有25个录音在非洲发展银行,其中两个(数字00735年和03665年)没有相关心电图数据。因此,23个录音都包含在这个实验。为了把数据集同样,我们把23录音分成五组,分组的基础是减少数量的差异在两类。录音编号为5组是5,4、5、5、4,随后。本实验使用5倍交叉验证进行评估。例如,当使用第一组测试,这意味着整个数据,04015年,04126年,04936年,07879年和08405年录音是用于验证,剩下的17个记录都是用于训练模型。详细记录分组条件如表所示1。
我们雇佣了一个平衡的图像数据集训练模型。我们选择相同数量的AF non-AF类别的训练样本,而剩下的褶皱中所有的样品测试。例如,对于测试1折,有415109个正常图像和294136 AF折叠2 - 5的图像作为训练数据。我们使用的所有294136 AF图片然后随机选择294136名正常图像,生成的图像作为训练588272年CNN模型中。然后,我们测试的性能开发了CNN模型使用折叠1中所有数据,也就是说,123083正常图像和90403 AF图像。表2介绍了为每个折叠测试详细的数字。
4所示。结果
4.1。时代的CNN
网格搜索方法(29日)应用于选择最优时代数量的CNN。图5显示测试集的AUC (AUC被定义为ROC曲线下的面积,通常用于评估与不平衡数据分类器)在不同时代的数字,和图6显示训练和测试精度在不同时代的数字。我们可以看到从图5测试集的AUC是高水平虽然时代数量是15,在图和波变得稳定6。因此,我们选择时代的数量为15。
根据部分的介绍2。2在CNN的架构,输入层(层0)为图像的大小50451和卷积是一个内核大小为109生产层1。第二层是ReLU层。层2的输出卷积核的大小87开发第3层和第4层。同样,随后的特征图卷积核的大小9获得一层一层5和6。马克斯池层的步幅2(7)层应用于生成的特征。然后,特征提取。最后,功能是运输层8 10神经元和连接到5和2层中的神经元9和10层,分别进行分类。此外,我们选择时代数为15,学习速率初始值设置为0.001,最小批量的数量是256。此外,具体参数如表所示3。
4.2。性能指标
本研究使用MIT-BIH非洲开发银行来验证该方法检测房颤的性能。四种广泛使用的度量,即敏感性(Se),特异性(Sp),精度(Acc)和曲线下的面积(AUC),(下面定义)用于评估的分类性能。此外,AUC和Acc指整体系统性能,而其余索引是特定于每个类,他们衡量分类算法的泛化能力区分事件。
此外,Acc包括精度测试集和训练集的准确性。根据标签的属性(正面或负面),结果可以产生四个基本指标:真阳性(TP),假阳性(FP),真阴性(TN),和假阴性(FN),在这种情况下,Acc是正确预测的数量的无线电标签和标签的总数,因此 。Se是真正的积极率和错误诊断转化为积极的概率是在所有积极的病人,所以 。Sp的比例错误地诊断为-中-病人 。ROC曲线是基于一系列的二元分类的不同方式(边界值或决策阈值),与真阳性率(Se)为纵坐标,假阳性率(1−Sp)为横坐标,AUC是定义为ROC曲线下的面积,通常用于评估与不平衡数据分类器。每个褶皱是由一个特定的测试分类器使用相同的参数,如部分所示4所示。1;除此之外,我们也选择了平均和标准偏差(SD)的实验结果进行评估,并总结了结果表4。
从表4,平均Acc 81.07% 5倍交叉验证实现的测试数据。相应的Se、Sp和AUC的结果是74.96%,86.41%和0.88。值得注意的是,结果第四折很低。这是因为有一个非常糟糕的信号质量心电图记录在第四折划分如表所示1相比明显不同的时频特性,清洁心电图信号。所以折叠的结果1,2,3,5是重新计算如表所示4排除低质量信号的效果。,平均达到84.85%的Acc测试数据,与相应的Se, Sp,和AUC值的79.05%,89.99%和0.92。
5。讨论和结论
心电图是广泛应用于医学监控小电变化对病人的身体的皮肤因人类心脏的活动。由于房颤的可变性和难度,传统检测算法无法准确区分明显的特征提取。
在我们的工作中,我们提出一个独特的建筑CNN区分AF胜从所有其他类型的心电图胜。MFSWT采用收购t f房颤的图像和non-AF分别,然后,我们把所有MIT-BIH非洲发展银行中的数据分为训练集和测试集不同于现有的模型和建立一个深CNN共有12层提取训练集的特点。最后,测试集是由训练有素的评估模型获取性能指标(包括Acc、Se、Sp和AUC)。
与其他研究相比,不同之处在于,我们使用所有MIT-BIH非洲发展银行的心电图记录。然而,其他研究仅选择录音进行训练和测试的一部分,和表5展示了我们的研究之间的比较等研究。很明显,该方法并没有提高Acc, Se, Sp显著,但本文使用大量数据训练模型,以提高模型的泛化能力。此外,我们使用一个叫AUC重要指标来评估获得的不平衡数据模型和评价标准。
简而言之,我们提出了AF击败检测如下协议。(1)使用所有的录音MIT-BIH房颤数据库算法开发和验证。(2)使用5倍交叉验证检查算法的性能。结果已经注册了Acc、Se、Sp, AUC。集团的折叠而不是心跳录音阻止心跳相同的病人出现在训练集和测试集。(3)使用一个单独的数据库,例如房颤数据库,作为一个独立的测试来评估算法的泛化能力。我们相信准确对焦击败识别可以促进房颤节律的检测。作为第一步,房颤击败尤为重要。只有通过改善房颤击败检测的精度和泛化我们能更有效地实现AF监测。
此外,更多的数据可以用来评估该方法;例如,我们只专注于一个心电图,心电图和研究可以扩展到两个线索。我们也可以尝试使用多个数据库进行验证。该算法可用于监测和预防房颤,伟大的现实意义。
数据可用性
使用的数据来支持本研究的结果可从开放获取MIT-BIH心房纤颤的数据库。
的利益冲突
作者宣称没有利益冲突。
确认
项目部分是由中国国家自然科学基金(61571113和61571113),江苏省重点研究和发展项目(BE2017735),中国的山东省自然科学基金(2014 zre2733)和基础研究基金为中央大学东南大学(2242018 k1g010)。作者感谢Southeast-Lenovo耐磨智能实验室的支持。