SS-SWT SI-CNN:时频ECG信号的心房纤维性颤动检测框架

文摘

心房颤动是最常见的心律失常,与高发病率和死亡率有关中风、心力衰竭、心肌梗塞和脑血栓形成。有效和快速检测房颤的患者减少发病率和死亡率的关键。快速有效地筛选房颤仍然是一个具有挑战性的任务。在本文中,我们提出SS-SWT SI-CNN:一个心房纤维性颤动检测框架的时频ECG信号。首先,具体比例平稳小波变换(SS-SWT)用于5 s ECG信号分解为8。我们选择的具体尺度系数作为有效的时频特性和放弃其他系数。美联储选择系数与比例无关的卷积神经网络(SI-CNN)作为二维(2 d)矩阵。在SI-CNN卷积内核设计专门针对ECG信号的时频特征。在卷积过程中,每个系数保留,规模之间的独立性和时域和频域特征ECG信号的有效提取,最后房颤信号快速、准确地识别。在这项研究中,实验使用MIT-BIH非洲发展银行执行5 s数据段中的数据。 We achieve 99.03% sensitivity, 99.35% specificity, and 99.23% overall accuracy. The SS-SWT and SI-CNN we propose simplify the feature extraction step, effectively extracts the features of ECG, and reduces the feature redundancy that may be caused by wavelet transform. The results shows that the method can effectively detect atrial fibrillation signals and has potential in clinical application.

1。介绍

心房颤动(房颤)是最常见的心律失常。估计2010年全球的心房颤动患者数量是3350万(1]。超过三分之一的病人诊断为房颤是无症状2,3]。换句话说,他们通常是诊断,直到访问医院。虽然心房纤维性颤动不代表一种致命的疾病本身,心房纤维性颤动的存在会增加中风和死亡的风险(4),构成负担社会公共卫生服务(5- - - - - -8]。筛查在无症状房颤患者被建议作为一种有效的方法来减少这种疾病的风险;然而,心房纤维性颤动的早期检测仍然是有问题的。例如,阵发性心房纤维性颤动通常只持续几心跳这使得它耗时的手工阅读心电图波形(9]。因此,早期发现无症状房颤患者的筛查和预防房颤抗凝治疗具有相当大的意义降低心血管事件的风险在中风的情况下(10]。

在本文中,我们将ECG信号的时频特性与使用具体比例平稳小波变换的卷积神经网络(SS-SWT)我们建议。通过设计SI-CNN:心房颤动检测框架时频心电图信号,我们有效地实现快速和自动检测房颤信号。本文的主要内容概括如下:(我)在本文中,我们提出一个方法,提取心电信号的时频特征为卷积神经网络,我们称之为“具体比例SWT (SS-SWT)。“这是不同的时频特征提取共同点深度学习的领域。心电图信号分解后利用平稳小波变换(SWT),特定尺度的近似系数选择有效信息并转换为一个二维时频系数矩阵的输入CNN。分解尺度和选择的尺度是根据心电信号的特点决定的。作为信号特征提取的SS-SWT简化了步骤,不需要进行去噪,debaseline漂移和其他操作。同时,保留有效信息的基础上的心电图信号,SS-SWT减少的数据量和数据冗余。(2)结合SS-SWT,我们设计与比例无关的卷积神经网络(SI-CNN)专门为2 d ECG信号的时频系数矩阵。与一个正方形或矩形卷积内核中使用常见的CNN,脱衣舞卷积内核与身高1是本文使用,保留了频域独立之间规模SS-SWT之后,融合时域特性。与其他算法相比,在相同的领域,SI-CNN更符合系数矩阵的特点产生的具体比例平稳小波变换(SS-SWT)。该方法为心房纤颤的实时监控提供了技术支持。

本文的其余部分分为四个部分。部分2介绍了AF识别在相关领域的研究现状。节3、SS-SWT提议的细节和SI-CNN介绍了本文。部分4介绍了实验结果,然后比较心房纤颤的自动检测框架提出了与其他算法。最后,部分5总结了全文并期待未来的工作。

2。相关工作

心房纤颤的特点是快速和不规则运动的心房。心电图上主要有两种表现:一是纵波消失了,取而代之的是不规则和高频f反应(350 - 600赫兹)(11];另一种是之间的距离邻ECG信号的非线性波的峰值(RR间隔)不规则变化12]。因此,当前对心房颤动心电图识别技术通过心电图主要分为以下两类:分析基于基于心室心房活动和分析活动。方法根据纵波特征在很大程度上依赖于纵波和f-waves的准确检测。Henriksson等人提出了一种新的方法来评估房颤信号质量指数(SQI)检测,这促进了房颤信号在嘈杂的ECG信号的分析(13]。唐等人开发了一个混合Taguchi-genetic算法(HTGA)促进ECG信号的高斯分解并提取纵波形态学特征来检测心房纤颤(14]。然而,低信噪比低烈度f-waves的特点使心房活动分析容易出错。这个问题是在分析基于心室活动缓解easy-detecting心电图QRS波群的高振幅。因此,方法基于不规则RR间隔特性广泛应用于心房纤维性颤动检测。丽安等人提出了一个心房纤维性颤动检测算法基于RR间隔的变化(15]。赵等人测量熵心房纤维性颤动心房纤维性颤动检测短时间窗的RR时间序列(16]。Peimankar Puthusserypady使用一个随机森林分类算法根据RRI RMSSD, nRMSSD和其他特性提取RR区间在300年达到97.86%的准确率心跳(17]。然而,许多方法基于心室活动需要长数据识别房颤事件(20岁)和有限在处理非常短的房颤事件(18]。同时,这些算法的性能高度依赖纵波检测或非线性波的峰值。如果相关峰检测错误或错误,其准确性可能减少。

近年来,一些心房纤维性颤动检测算法提出了基于手工制作的特性。周等人设计了一个递归算法的实时自动检测房颤基于非线性/线性整数过滤器、符号动力学,香农熵提取[RR间隔19]。Asgari等人利用平稳小波变换提取心电信号的特征和支持向量机检测房颤。这种方法不需要纵波或非线性波的峰值的位置20.]。加西亚等人提出的方法检测心房颤动心电图信号基于相对小波能量的不同长度(RWE) [21]。尽管许多手工制作的特性依赖于专家知识,他们可能不代表最好的ECG信号的特征。此外,由于特异性的手工制作的特性,这些方法的精度和效率在不同的数据集可能差异很大,所以这些方法不能被临床广泛应用。

深层神经网络是人工神经网络(22),已应用于图像识别(23),药物发现24),医学图像分析(25),和其他领域。此外,深度学习领域的广泛应用生物信息学(26]。他们与人类专家和产生的结果,在某些情况下,比人类专家(27]。深度学习从心电图信号,提取抽象特性依赖手工特性得到释放,而且不需要专业知识。安德森等人结合CNN LSTM和使用RR间隔提取30心跳长度达到97.80%的精度下MIT-BIH房颤数据库(28]。此外,使用深度学习在许多研究从心电信号中提取抽象特性和摆脱依赖手工制作的特性。Yildirim等人采用MIT-BIH心律失常数据库划分为10心电图信号,使用一维卷积神经网络分类17疾病包括心房纤颤(29日]。Pourbabaee等人设计了一个五层卷积神经网络识别五分钟的心电图数据,实现好的结果在拥堵的数据库(30.,31日]。

为了更好地提取心电信号的特点,许多心房纤颤检测方法结合时频特性提出了深度学习。有很多常见的时频方法,如短时傅里叶变换(32),连续小波变换(CWT) [33),修改频率片小波变换(MFSWT) [34],平稳小波变换(SWT) [32]。这些方法1 d心电图定时信号转换成二维时频特性和饲料这些特性的分类器。许等人提出了一个自动对焦击败检测框架,结合修改频率片小波变换(MFSWT)和卷积神经网络(34]。他等人发明了一种方法将连续小波变换(CWT)和二维卷积神经网络用于心房纤维性颤动检测(33]。

使用ECG信号的时频特性是一个非常有效的方法提取心电信号的特征。然而,也有一些问题在当前的研究。首先,每个ECG信号波形的频率域区间是有限的。时频变换后,一些频段的信息冗余。保持冗余部分增加了系统的复杂性,提出了一个更高的计算负担,同时也降低了算法的鲁棒性。同时,大多数这些方法,结合时频特征与深度学习使用时频变换ECG信号转换成图片,然后确定图像识别的想法。一方面,直接将信号转化为三通道RGB时频图像的数据量增加,从而极大地提高神经网络操作的数量。另一方面,这是一个简单的拼接组合这两种方法的特点,不好好利用时频特性和神经网络。其中,夏等人走一步,直接把驻波后的心电图信号的系数矩阵变换为灰度“形象”和寄给他们提出的神经网络(32]。他们获得更好的结果比直接从心电图信号时频变换图片分类。灵感来自于这篇文章中,我们改进现有的深度学习方法基于时频特性和设计深度学习框架房颤信号的时频特征。框架实现好的结果在5 s心电图识别房颤信号段。

3所示。方法

图1显示心房纤维性颤动检测框架提出的流程图。这个框架主要分为三个部分,即信号预处理、特征提取和房颤信号分类“SS-SWT, SI-CNN。“原始心电信号预处理部分削减到固定长度的片段和规范化为特征提取做准备。在第二阶段的特征提取中,每个ECG信号部分转化为一个二维使用平稳小波变换系数矩阵(SWT),和一个特定的规模系数选择有效的信息反馈到下一个阶段。第三阶段是信号的分类。SI-CNN模型提出了用于训练数据完成房颤信号的分类。

3.1。数据预处理

传入的ECG信号先切成5 s段。为了提高特征提取的有效性和鲁棒性的网络,我们正常心电图信号之间的切割和变换后−1和1。本研究主要关注房颤信号的识别和检测。因此,信号分为两种类型:房颤信号和non-AF信号。一个阈值参数P用于确定信号的每一段所属的分类(9):如果房颤信号中包含一段达到的价值或者更多,列为一个心房纤颤信号段。的价值选择在这个研究是0.5。

此外,在下一步的特征提取,平稳小波变换的信号需要特定数量的信号采样点。例如,一个j剂量SWT的信号需要信号长度的倍数 。摘要零填充过程是SWT执行之前执行。

3.2。特征提取

在深入学习和特征提取是至关重要的深层神经网络的基础。一个好的特征提取过程应该最小化数据复杂性的基础上保留的有效特征数据,因为较小的输入数据可以达到较高的计算速度。在本文中,我们提出一个有效的特征提取方法,心电图信号,我们叫它具体比例平稳小波变换(SS-SWT)。它使用平稳小波变换(SWT)时间序列ECG信号转换成一个2 d系数矩阵,选择的具体尺度参数,和提要矩阵提出了CNN。

小波变换的良好spatial-and-frequency-domain本地化特征可以分析信号在时域和频域和有效地提取信号中的信息。基本小波变换的定义如下: 在哪里比例因子和吗是翻译的因素。此外,小波基函数,如下所示:

小波变换分为连续小波变换(CWT),离散小波变换(DWT)和固定小波变换(SWT)。当和是连续值,它是一个连续小波变换(CWT)。然而,由于连续小波变换的连续性,延迟高和有大量的冗余计算。同时,大多数信号给出了一个离散的设置(例如,ECG信号用于这项工作),离散小波变换(DWT),或一个固定小波变换对这些信号(SWT)就足够了。离散小波变换(DWT)样本信号分解在不同的分辨率。它产生不同长度的小波系数在每个规模。平稳小波变换(SWT)不downsample信号在每个规模,规模和时间分辨率是相同的,保留信号的有效信息。小波变换分解产生系数矩阵,这是非常适合作为CNN的输入。在这项研究中,一个固定小波变换用于信号的过程。平稳小波分解,每个规模平分的频域信号,产生一个细节系数(D)和一个近似系数(a)。在接下来的规模,产生的近似系数使用以前的规模,并再次执行分解。每个规模包括能量尺度信息的系数的频域对应窗口。 Since the detail coefficients of each stage are decomposed from the approximation coefficients of the previous stage, after performing aj剂量小波变换,只需要重建所有的细节系数和近似系数的最后阶段恢复原始信号的所有信息。

图2显示了SS-SWT我们提出的数据处理。原始ECG信号如图2转换成1近似系数和8 eight-scale平稳小波分解后细节系数。我们选择db5跑车作为小波基函数。

不同尺度的ECG信号的系数在SWT代表不同的频域特征。此外,ECG信号的有效特征主要包括在几个特定的尺度。因此,在本文中,我们使用SS-SWT提取的特征信号,换句话说,小波分解后的信号,只有某些尺度系数的选择和发送到下一个神经网络。根据奈奎斯特采样定理,ECG信号的频域采样率为250 Hz是0 - 125赫兹。在本文中,我们使用8-scale平稳小波变换分解原始ECG信号获得9组的小波系数,代表以下9频带:62.5 -125 Hz, 31.25 - -62.5赫兹,15.63 - -31.25赫兹,7.81 - -15.63赫兹,3.91 - -7.81赫兹,1.95 - -3.91赫兹,0.98 - -1.95赫兹,0.49 -0.98赫兹,0 - 0.49赫兹。在这些频段,ECG信号的有效信息主要集中在0.5∼40赫兹,和其余的频率间隔主要是基线漂移和噪声等干扰信息。可以看出D2-D8规模包括频域上的系数区间的ECG信号的有效信息,所以我们选择D2-D8七个尺度上的小波系数,在剩下的两个尺度上的信号,D1和A8丢弃。选择8-scale小波分解,因为它可以有效地隔离这些有效信息。沙石分解不能单独的基线漂移干扰(0 - 0.5赫兹),虽然差异分解不是必要的。为了更好地显示有效的信息包含在选定的规模,在图3,我们获得的显示信号重构的具体尺度系数SWT ECG信号后,生成的3(一个)是原始ECG信号,3 (b)D1-D8系数所产生的重构信号,可以看出信号的基线漂移3 (b)被删除,3 (c)是信号重建的D2-D8尺度系数。可以看出信号包含原始信号中的有效信息,而且大部分的高频噪声和基线漂移干扰删除。可以看出SS-SWT保留ECG信号的有效特征,删除无效的信息。

3.3。拟议中的SI-CNN的体系结构

后SS-SWT上面提到的,一个特定尺度下的小波系数矩阵包含有效信息传递到网络学习。表1给出了神经网络的结构和参数详细摘要。从表中我们可以看到,网络设计本文由5组类似的结构层。每组包含两个连续卷积层,最大池层,一批标准化层,和一个辍学层。这个5套层后,我们使用一个全球平均池层而不是常见的完全连接层。之后,它是一个完全连接层和最后一层softmax输出结果。批归一化层和辍学层用于减少过度拟合,提高梯度传播,和提高学习速度,而全球平均池层是用来代替传统的完全连接层,因为全球平均池层不需要大量的训练和调优参数完全连接层,并减少空间参数使模型更加健壮和anti-overfitting效果更好。

古典CNN是由交替叠加卷积层和max-pooling层。卷积层的特性和它们相关的权值提取通过本地连接。每一层的重量卷积的内核参数是使用误差反向传播训练算法。卷积的层数越大,越大的相关特征提取。乙状结肠或双曲正切非线性激活函数然后应用卷积特性。非线性激活函数计算如下: 在哪里和重量和补偿的吗卷积特性图,分别;k卷积的输入层;和k卷积的输出层。在这项研究中,固定后的心电图信号小波变换系数矩阵,可以近似为一个灰度图像“2 d CNN和饲料。然而,与普通的图像,在这项研究中,系数矩阵每一行数据的ECG信号的小波系数在一定的规模,和各尺度的小波系数之间的互相独立的行。不像一个正常的图像,卷积卷积中的行层之间显然是不符合实际情况。因此,我们使用一个卷积内核的高度1只融合中的数据行方向。在卷积,仍保持其每一行数据的独立性。也执行相同的池操作在汇聚层。这个操作更好的融合平稳小波变换后的特征,符合小波变换系数矩阵的特点,和不会引起混淆的有效信息,我们叫它与比例无关的CNN (SI-CNN)。

在这项研究中,两个连续卷积层叠加使用1×3卷积核的方法被用于卷积的策略。相比,单层卷积内核,连续两个1×3卷积核有相同的接受域作为一个内核如图1×5卷积4卷积,不断堆叠层增加网络的深度。同时,连续卷积1×3比1×5层有更多的非线性卷积,决定函数更果断。

4所示。结果与讨论

4.1。实验装置

SI-CNN模型提出了基于Tensorflow1.8 Keras平台框架下运行。设备是一个雷蛇PC运行Windows 10。该设备有一个i7 7700总部CPU和16 GB的内存。为深度学习缩短训练时间,设备也有一个NVIDIA GForce 1060图形卡和6 GB的视频内存。所需的平均时间的火车模型的一个时期大约是50年代。最初的实验表明,该模型融合后~培训时间;因此,50时期用于本研究以确保模型的完全收敛性和限制过度拟合的机会。

4.2。实验数据

在这个实验中使用的数据集从MIT-BIH非洲开发银行(35,36]。有25套MIT-BIH非洲发展银行中的两家牵头心电图记录,每次持续时间10小时,15分钟,采样率为250 Hz。我们使用这个数据库分类房颤信号在这项研究。原始数据的“00735”和“03554”不能获得。在剩下的数据集,包含四种类型的心电图有605段段,其中291段房颤信号,14段心房扑动信号,12段联接的节奏,和其他288段的节奏。

根据上面的预处理方法,我们在非洲发展银行每个记录切成5 s固定长度的片段,和168667年心电图数据减少,其中67243是房颤信号和101424 non-AF信号。non-AF信号包括心房扑动信号,联接的节奏,和其他的节奏。图5展示了我们的训练集、验证集和测试集。根据7的比例:1:2,我们将训练集,验证集和测试集,每个数据集的数据比例是相同的。

4.3。评价指标

本研究的实验结果与其他实验和比较,我们首先计算真正的阳性(TP),假阴性(FN),真正的底片(TN),假阳性(FP)。这四个参数的基础上,(Se)的敏感性,特异性(Sp),总体精度(Acc)计算评价这项研究的结果。这些指标计算如下:

在这项研究中,自适应估计,也被称为亚当优化算法,用于优化模型。亚当是有别于传统的随机梯度下降法(SGD)。随机梯度下降法使用一个单一的学习速率更新在训练过程中总重量。制定合适的学习速率是至关重要的,因为它并没有改变在整个培训过程。然而,选择合适的学习速率越来越困难。在细节,一个非常小的学习速率导致收敛速度慢,在非常高的速度可能会阻碍学习收敛性和导致损失函数最小波动。此外,如果落在鞍点的模型,模型的梯度在所有维度将是零,所以SGD可能很难逃脱。亚当算法有很大的优势在其他类型的随机优化算法。因此,亚当算法用于优化模型。

机器学习的过度拟合是一种常见的问题。深度学习模型具有高度的复杂性,这不仅符合输入信号之间的关系和分类标签,也符合随机误差和噪声信号。为了防止过度拟合,我们引入到CNN模型提出辍学层。辍学的原理可以简单地理解为丢弃一些神经元的概率x而训练。缓解过度拟合,我们辍学层添加到CNN网络结构。为了测试对过度拟合最佳性能,辍学率从0.1到0.4是单独测试。测试结果如下所示。图6显示了收敛的培训和验证时,辍学率设置为0.1,0.2,0.25,0.3和0.4。从图可以看出,当选择辍学是0.1,模型显示明显的过度拟合,即验证损失达到最低点后大幅上升。当辍学设置为0.4,模型的准确性很差。辍学时设置为0.2,0.25,和0.3,模型的性能并没有太大的区别。然而,它可以看到,当辍学设置为0.25,损失和精度达到良好的性能,因此,我们在模型中设置辍学为0.25。

与此同时,我们也比较不同批量大小对网络性能的影响,为给定的表2。在本文中,我们最后选择一批128年获得最好的网络效应的大小。此外,在这项研究中使用的初始学习速率是0.001,和亚当的优化算法将0.9和0.999,分别。网络中其他参数表3。

5。结果

图7显示了本研究中使用的方法的收敛性能。图7(一)显示了该方法的收敛性能。图7 (b)显示了该方法的性能损失。可以看出,尽管训练集的结果略优于测试集,该模型融合,实现高精度的50批次。没有典型的过度拟合现象;例如,培训继续增加的性能,测试集的性能停滞(或恶化)。

为了更好地评估算法的性能,我们提出了一个比较该算法与其他算法使用非洲开发银行从同一领域,如表中给出4。在这项研究中,我们选择以下五个参数的房颤信号:信号长度方法,敏感性(Se),特异性(Sp)和总体精度(Acc)。表显示了这一研究获得的结果的比较与其他报纸报道相同的字段。

本研究的混淆矩阵结果图所示8。如数据所示7和8(Se)的敏感性,特异性(Sp)和心房纤维性颤动的整体精度(Acc)识别算法的基础上,具体比例平稳小波变换(SS-SWT)和与比例无关的卷积神经网络(SI-CNN)提出了达到99.03%,99.35%,和99.23%,分别。

尽管Tateno所使用的方法和玻璃(37),冲刺等。9),Babaeizadeh et al。38),黄等。39),Ladavich Ghoraani。(40加西亚,et al。21),是不同的,他们都需要检测ECG信号的非线性波。这些算法的准确性很大程度上取决于R波检测算法的准确性。当波形检测算法的性能不理想,这些方法很难取得更好的性能。此外,这些方法需要较长的信号长度。

他等。33使用连续小波变换(CWT)提取信号的时频特性,但该方法也依赖于检测R波的峰值。高峰在非洲发展银行使用注释直接获取RR间隔信息。在夏的工作等。32),该方法利用平稳小波变换(SWT)达到一个更高的结果。不同于我们的工作,该算法执行一个椭圆带通滤波器消除基线漂移之前执行平稳小波变换。所有近似系数和细节系数中同时使用卷积过程在我们看来是不必要的。

本文提出了相应的改进上述观点并提出SS-SWT SI-CNN:时频的心房纤维性颤动检测帧ECG信号。

SS-SWT期间,在特定尺度系数被选为有效信息,所以我们不需要一个降噪的过程。同时,专门为心电图信号系数矩阵SI-CNN也更好的结合了SWT和CNN的优点。

总之,SS-SWT和SI-CNN提出了不依赖于波形检测和他们实现精度高。同时,与之相比,相同类型的时频特征提取算法,SWT的SS-SWT和SI-CNN结合有效的特性和CNN和更好的保护原始ECG信号的特点。此外,不同尺度的系数矩阵之间的独立性更符合ECG信号的特点。从结果,本文的方法具有更好的性能。

6。结论

本文提出SS-SWT SI-CNN:一个心房纤维性颤动检测框架的时频ECG信号。为了更好地匹配输入的CNN,我们使用一个固定小波变换将5 s ECG信号转化为一个时频系数矩阵。然后,我们设计一个卷积神经网络和卷积的内核结构对ECG信号的时频特性和有效地提取心电信号的时频特征实现快速、准确的检测房颤信号。验证该方法的有效性和效率MIT-BIH非洲发展银行的数据集。与现有的方法相比,我们的方法达到更好的结果与简单的操作步骤和更深层次的网络层。因此,该方法具有很高的临床潜力,这是我们未来工作的重点。

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。进一步请求数据可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本研究在一定程度上支持云计算的集成和大云计算和大数据的整合,创新科学教育(批准号2017 a11017),重点研究、开发和推广项目的河南人(科技)(批准号182207310002),重点科技项目的新疆生产建设兵团(批准号2018 ab017)。

引用

1. s . s .丘格r . Havmoeller k Narayanan et al .,“全球流行病学心房纤维性颤动。”循环,卷129,不。8,837 - 847年,2014页。视图:出版商的网站|谷歌学术搜索
2. Gersh k.c. Siontis, b . j ., j·m·基利安et al .,“典型的、非典型和无症状的报告最近诊断为房颤的社区:特点和预后意义,”心脏的节奏,13卷,不。7,1418 - 1424年,2016页。视图:出版商的网站|谷歌学术搜索
3. g . Boriani c . Laroche i Diemberger et al .,“无症状房颤:临床相关、管理和结果在EORP-AF试点一般注册中心,“美国医学杂志》上,卷128,不。5,509 - 518年,2015页。视图:出版商的网站|谷歌学术搜索
4. p . a .狼r·d·艾伯特和w·b·有“心房纤维性颤动中风的作为一个独立的风险因素:弗雷明汉的研究中,“中风,22卷,不。8,983 - 988年,1991页。视图:出版商的网站|谷歌学术搜索
5. a . s ., e . m .海里卡k·a·菲利普斯et al .,“成人诊断心房纤颤,”《美国医学会杂志》,卷285,不。18日,第2375 - 2370页,2001年。视图:出版商的网站|谷歌学术搜索
6. S.-R。李,E.-K。崔K.-D。汉族,蔡明俊。Cha, s .哦,”趋势房颤的发病率和患病率和血栓栓塞风险估计使用Cha 2 DS -VASc分数在整个朝鲜人口,”国际心脏病学杂志卷,236年,第231 - 226页,2017年。视图:出版商的网站|谷歌学术搜索
7. S.-R。李,E.-K。崔k .汉蔡明俊。Cha, s .哦,”流行non-valvular房颤基于地理分布在整个朝鲜人口和社会经济地位,”韩国发行量杂志,48卷,不。7,622 - 634年,2018页。视图:出版商的网站|谷歌学术搜索
8. r·b·施纳贝尔x阴,p .戈纳et al .,“50年房颤流行趋势,发病率,风险因素,在弗雷明汉心脏研究和死亡率:队列研究,“《柳叶刀》,卷386,不。9989年,第162 - 154页,2015年。视图:出版商的网站|谷歌学术搜索
9. 美国短跑,k h .分,美国,和e·a·雷德尔”自动实时检测心房纤维性颤动。”《生物医学工程,37卷,不。9日,第1709 - 1701页,2009年。视图:出版商的网站|谷歌学术搜索
10. p·s·莫兰,c . Teljeur m . Ryan和s·m·史密斯,”系统筛查检测心房纤维性颤动。”Cochrane系统评价的数据库》第六卷,2016年。视图:出版商的网站|谷歌学术搜索
11. h·卡尔金斯、g . Hindricks和r . Cappato“2017小时/ EHRA / eca / APHRS SOLAECE专家共识声明导管和外科房颤消融,“心脏的节奏,14卷,不。10日,E275-E444, 2017页。视图:谷歌学术搜索
12. a . j . Camm p Kirchhof, g . y . h .唇”指导方针,心房纤维性颤动的管理:管理工作组心房纤颤的欧洲心脏病学会(ESC),“欧洲心脏杂志》上没有,卷。31日。19日,2369 - 2429年,2010页。视图:谷歌学术搜索
13. m . Henriksson a . Petrenas诉Marozas f·桑德伯格和l . Sornmo“f反应信号的基于模型的评估质量的房颤患者,”IEEE生物医学工程,卷65,不。11日,第2611 - 2600页,2018年。视图:出版商的网站|谷歌学术搜索
14. W.-H。唐,Y.-J。Chang y . j . Chen和W.-H。Ho”遗传算法和高斯函数最优在房颤患者的心电图p波形态,”计算机与电气工程卷。67年,52-57,2018页。视图:出版商的网站|谷歌学术搜索
15. l . j .丽安王,d . Muessig”一个简单的方法来检测房颤使用RR间隔,”美国心脏病学杂志》上,卷107,不。10日,1494 - 1497年,2011页。视图:出版商的网站|谷歌学术搜索
16. l .赵c .刘魏,沈,f .周和j·李,“一个新的entropy-based心房纤颤的扫描检测方法可穿戴的心电图记录,“熵,20卷,不。12,904页,2018年。视图:出版商的网站|谷歌学术搜索
17. a . Peimankar和s . Puthusserypady“整体学习检测房颤的短片段,”2018年学报》26日欧洲信号处理的会议,页66 - 70,罗马,意大利,2018年9月。视图:谷歌学术搜索
18. o .浮士德,申菲尔德,m . Kareem t·r·圣·h·藤田,和美国r . Acharya”自动检测心房纤颤与RR区间信号,使用长短期记忆网络”计算机在生物学和医学卷,102年,第335 - 327页,2018年。视图:出版商的网站|谷歌学术搜索
19. 周x h .叮,b), e . Pickwell-MacPherson y张,“自动在线检测基于符号动力学的心房纤颤和香农熵,”生物医学工程在线,13卷,不。1,p。18日,2014。视图:出版商的网站|谷歌学术搜索
20. s . Asgari a Mehrnia m·穆萨维,“自动检测房颤利用平稳小波变换和支持向量机,”计算机在生物学和医学,60卷,第142 - 132页,2015年。视图:出版商的网站|谷歌学术搜索
21. m·加西亚j . Rodenas r . Alcaraz和j·j . Rieta”应用程序的相对小波能量心率独立检测心房纤维性颤动,“计算机在生物医学方法和项目卷,131年,第168 - 157页,2016年。视图:出版商的网站|谷歌学术搜索
22. y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
23. o . Russakovsky j .邓·h·苏et al .,“ImageNet大规模视觉识别的挑战。”国际计算机视觉杂志》上,卷115,不。3、211 - 252年,2015页。视图:出版商的网站|谷歌学术搜索
24. e . Gawehn j . a .嘘,g .施耐德“深度学习在药物发现,”分子信息学,35卷,不。1,3 - 14,2016页。视图:谷歌学术搜索
25. g . Litjens t . Kooi b . e . Bejnordi et al .,”一个调查深度学习在医学图像分析中,“医学图像分析,42卷,60 - 88、2017页。视图:出版商的网站|谷歌学术搜索
26. 最小值,b . Lee, s . Yoon“深度学习在生物信息学中,”简报的生物信息学,18卷,不。18日,第869 - 851页,2017年。视图:出版商的网站|谷歌学术搜索
27. a . y . Hannun p . Rajpurkar m . Haghpanahi et al .,“Cardiologist-level心律失常检测和动态心电图使用深层神经网络在分类,“自然医学,25卷,不。1,第69 - 65页,2019。视图:出版商的网站|谷歌学术搜索
28. r·s·安德森,A . Peimankar和s . Puthusserypady“深度学习的方法实时检测心房纤维性颤动,“专家系统与应用程序卷,115年,第473 - 465页,2019年。视图:出版商的网站|谷歌学术搜索
29. o . Yildirim p . Plawiak r . s . Tan和美国r . Acharya“心律失常心电图检测使用深卷积神经网络和长时间信号,”计算机在生物学和医学卷,102年,第420 - 411页,2018年。视图:出版商的网站|谷歌学术搜索
30. b . Pourbabaee m . j . Roshtkhari和k . Khorasani”特性倾向与深卷积神经网络筛选阵发性心房纤颤的病人,”《2016年国际神经网络(IJCNN)联合会议加拿大温哥华,页5057 - 5064,2016年7月。视图:谷歌学术搜索
31. p . Bahareh j . r . Mehrsan, k . Khashayar“卷积神经网络和学习心电图特征筛选阵发性心房纤颤患者,”IEEE系统,人,和控制论:系统,48卷,不。12日,第2104 - 2095页,2018年。视图:出版商的网站|谷歌学术搜索
32. y夏,n . Wulan k . Wang和h·张,“深卷积神经网络检测心房纤维性颤动,“计算机在生物学和医学卷,93年,第92 - 84页,2018年。视图:出版商的网站|谷歌学术搜索
33. n . r .他k . Wang赵et al .,“自动检测房颤的基于连续小波变换和二维卷积神经网络,”前沿生理学,9卷,p。1206年,2018年。视图:出版商的网站|谷歌学术搜索
34. x,魏,c·马罗k, l . Zhang和c·刘,“心房纤颤打标识使用修改后的组合频率片小波变换和卷积神经网络,”医疗保健工程卷,2018篇文章ID 2102918、8页,2018。视图:出版商的网站|谷歌学术搜索
35. g . b .喜怒无常,r·g·马克,”新方法检测房颤使用rr间隔,”计算机在心脏病学,10卷,第230 - 227页,1983年。视图:谷歌学术搜索
36. a . l . Goldberger l·a·n·阿马拉尔l .玻璃et al。”PhysioBank PhysioToolkit,和生理网”,循环,卷101,不。23日,pp. e215-e220, 2000年。视图:出版商的网站|谷歌学术搜索
37. k . Tateno和l .玻璃,“自动检测房颤使用变异系数和密度直方图的RR和ΔRR间隔,”医学和生物工程和计算,39卷,不。6,664 - 671年,2001页。视图:出版商的网站|谷歌学术搜索
38. s . Babaeizadeh r·e·格雷格·e·d·Helfenbein j·m·林道市和s . h .周”改善心房颤动检测实时监控。”心电学杂志》,42卷,不。6,522 - 526年,2009页。视图:出版商的网站|谷歌学术搜索
39. d . c .黄,你们美国,h . Chen Li f .他和y涂,“小说之间的过渡方法检测房颤和窦性心律,”IEEE生物医学工程,卷。58岁的没有。4、1113 - 1119年,2010页。视图:出版商的网站|谷歌学术搜索
40. Ladavich和b Ghoraani”,则独立检测房颤的心房活动的统计建模,”生物医学信号处理和控制18卷,第281 - 274页,2015年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Hongpo Zhang et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。