文摘

本文分析腔内心电图用于指导患者的异常心脏节律的挖掘隐藏的心脏病,和解决数据不平衡问题的算法中存在的异常心电图信号,和体重依赖型剂量自动分类算法深卷积神经网络提出了心电图信号。通过预处理MIT-BIH心律失常的心电图数据数据库,获得的实验数据集训练算法模型,该算法模型迁移到这个项目中。在系统设计和实现中,通过比较的优点和缺点心电图监测系统平台,系统的总体设计进行了功能和性能方面的需求根据系统实现的目标,和一个移动平台系统开发能力分类常见的异常心电图信号。系统能够长期监测,可以调用心电图信号的自动分类算法模型进行分析。摘要功能逻辑测试和性能测试进行了系统的主要功能模块。测试结果表明,该系统可以稳定运行和监测心电图信号很长一段时间,可以正确地调用卷积神经网络自动心电图信号分类算法分析心电图信号,实现显示心电图信号波形的要求,分析了心跳类型,计算平均心率,达到的目标的实时连续监测和分析心电图信号。

1。介绍

据统计,心血管疾病每年约占全世界三分之一的死亡,已成为人类健康的最大威胁。今天,心脏病和心血管疾病发病率的增加是由于快节奏的生活,工作和生活的压力。因此,心脏病和心血管疾病的预防和诊断尤为重要(1]。心脏病是一种慢性疾病,发病率和记忆特点是慢性发作(2]。心脏病患者移动和分散,不呆在一个地方,所以他们可能会死在某种程度上他们可以治疗。因此,如果我们可以提供及时的救济措施和治疗生理信号,如心电图异常时,我们可以大大减少死亡率和其他事故引起的心脏病3]。如果人们可以在任何时间和检查他们的生理信号显然知道自己的身体状况根据从生理信号的分析结果,然后他们可以主动防止某些心脏疾病发生前(4]。通过选择深卷积神经网络算法的基本框架,第一和第二点提出的问题可以解决。此外,对于那些刚刚康复病人手术和回家,必须随时监控自己的身体变化,这样他们可以随时就医的特殊情况(5]。当然,人们也可以挽救他们的生理信号,这样他们不会丢失,可以作为医生就医时的重要参考。因此,自动收集人类的心电图信号和分析能力至关重要,它必将促进医学的快速发展在心脏病和心血管疾病的诊断6]。

由于噪声的存在等收集到的心电图信号的频率干扰,突变干扰,和基线漂移,心电图信号的预处理阶段主要由过滤去除噪音心电图信号(7]。目前心电图信号噪声去除方法非常成熟。Baggish等人提出了利用小波变换系数来确定去噪阈值,它有一个很好的降噪效果在心电图信号去噪8]。偃角等人用IIR和FIR滤波器消除噪声的三种主要类型的心电图信号,比较了两种噪声去除过滤器。偃角等人提出了一个自动分类方法对心律失常的检测使用神经网络实现一个健壮的分类器在贝叶斯框架9]。夏皮罗等人分类心电图信号提出了一种使用最小二乘支持向量机方法,可以区分正常和不正常的心跳10]。Burchill提出一个心律失常的神经网络反向传播算法的人工神经网络(ANN)自动分类识别11]。整个网络结构的基本水平由11层。每一层的意义结构的图下面将简要说明。第一个是输入层,它需要一个心电图信号周期的数据样本作为输入网络;然后三层相同的结构连接。库莫等人提出了一个算法分类心电图心律失常利用离散小波变换(DWT)和安,最后识别精度为87.01% (12]。随着计算机的能力,开发了基于pc的心电图监测系统(9]。人体通过发送的心电图数据到电脑终端,然后电脑终端的初步分析和诊断,显示和存储本地的心电图数据使用一些心电图信号分析算法和心电图信号分析软件(13]。之后,由于互联网的快速发展,电脑终端收集的心电图信号传输到云服务器和处理一些心电图信号自动分析算法,和服务器分析结果返回给用户,这不仅加强了分析心电图信号的压力也减少了处理在一个电脑终端和加快反应速度14]。

尽管研究心电图监测系统近年来确实取得了很大的进步,仍有一些缺点。例如,心脏霍尔特机可以收集和显示从人体心电图数据,但它不能传输和分析。虽然心脏BP机解决了通信数据传输的问题,它需要用户的参与,和信号采集周期太短,所以只能穿当心脏感觉不舒服,但当一些察觉心律异常发生。虽然基于pc和互联网的方法完全解决问题的实时监控和分析心电图信号,它是有限的应用和推广由于其缺乏流动性。例如,周围的照明设备和各种电子仪器的干扰来源,以及这种干扰的频率主要集中在50 - 60 Hz。通过设计一个带陷波滤波器消除或数字平滑滤波算法,和ECG信号的频率主要是5 - 20赫兹。发展的研究和分析自动心电图信号分类算法和最先进的心电图信号监测和分析系统显示当前心电图监测系统无法执行人类的方便和长期监测心电图信号也不能给实时生理信号分析数据。本文改进的体重依赖型剂量深度卷积神经网络框架用于研究心电图信号的自动分类,模型和算法嵌入到移动平台设计心电图分析系统能够进行方便地移动监测和实时分析心电图信号。我们分析研究的当前状态自动心电图信号分类算法以及心电图监测系统的历史和在不同阶段可能出现的问题,提出了系统设计的总体规划,并分析需要监控软件自动心电图信号分析基于移动平台。心电图信号的基本特征进行了研究,该算法能够正确分类和识别心电图信号基于卷积神经网络的设计和改进,和算法模型保存到移动平台上运行。

2。腔内Electrocardiogram-Guided设计过程协助矿业心率异常

2.1。设计分析腔内心电图指导

心律不正常是心血管疾病的一个重要组15]。有各种各样的心脏节律异常,不规则,快速或缓慢的心跳。更常见的心律异常如下:左束支阻滞,右束支块,室性过早搏动,心房过早搏动(16]。可以7.8最大APC重量值,所以相应的正常体重值在(0,0.26)。其他三种类型的PVC、APC的样本大小是4倍,所以在选择这三个类别的权重值时,它将APC的1/4。正常节律的类型和将描述这些常见的心律不正常。正常心率是主要的类型的心电图信号,与p波、QRS波,让,和小U-wave波形模式,和发生在有阻塞延迟或中断在左束支传导系统,这是一个典型的左束支阻滞在数据库中。这些异常的发生率是年龄相关性,发病率随着年龄的增加(17]。

s - t方向相反的QRS主波,和s - t段升高。在QRS波形特征,波长大于0.12秒,和R峰值超过或等于0.06秒。这种异常发生在右束支延长发生,导致右束支传导系统遭受阻断传导延迟或中断。这是一个典型的数据库中的右束支块(18]。右束支传导阻滞是一个典型的数据库中的右束支块(19]。右束支传导阻滞的波形模式反映了QRS波前的波形相对正常,S波扩大和延伸向下,S和T段之间出现一个小抑郁,和T波倒置。的波形特点,QRS波超过或等于0.12秒和S波超过或等于0.04秒,如图1。

受试者选择筛选既包括新生儿和儿童已经进入学校,雄性和雌性,城乡户籍人口,这两座城市空气污染和较高的城市更清洁的空气质量,和随机筛选的孩子与一个积极的诊断为先天性心脏病,其筛选标准符合条目的标准在这项研究中,因为总共有877儿童先天性心脏病被随机筛选从1月1日,2018年12月31日,2019年,和877名儿童先天性心脏病筛查是早期发现心律失常和后续简单先天性心脏病条件包括间隔缺损、心室中隔缺损,通畅孔椭圆形,通畅开放性动脉导管,不包括主动脉扭力,法洛四联症、单心室,和其他复杂的先天性心脏病。上述儿童没有头晕、头痛、心悸等症状的先天性心脏病筛查前(同样的症状由于心脏功能下降引起的先天性心脏病不排除标准)或证实诊断心律失常或住院治疗由于心律失常20.]。它可以发现心电图信号去噪处理后的分类精度高于分类精度不去噪处理。其他四个类别的分类精度是相似的,表明心电信号去噪后可以提高分类的准确性。

为先天性心脏病患者需要住院,心电图监测和12导心电图检查是经常表现在住院治疗期间,和一些患者进行了24小时动态心电图检查;心电图异常患者,他们重新核对平均一周两到三次。病人的条件不适合医疗干预,将进行开胸手术外科组,虽然有些病人的条件不适合手术治疗或未经手术由于各种原因将被视为非手术组。先天性心脏病患者(包括操作和不运转的孩子)从医院出院是谁跟进的心律失常(出院后门诊随访)约为3 - 12个月(平均0.5年)。

2.2。异常心率为神秘心脏病设计分析

心律异常检测的基础在于准确的心跳拦截,心跳异常心电图表现,也就是说,更多的异常模式的出现。

心律不正常的检测的第一步是拦截心跳,分裂的心电图信号到一个心跳,然后分段心跳的特征提取,然后你可以通过机器学习检测心律不正常。在今天的社会环境,人们的生活正变得越来越快,工作和生活的压力逐渐增加,导致增加心脏病和心血管疾病的发病率。如果分段心跳的长度太长,将会有大量的数据冗余,和特征提取的准确性会受到影响21]。另一方面,如果分段重心太短,数据可能会错过一些重要的,这将导致错误的特征提取。QRS波群的宽度是0.05 s-0的范围。l2年代,因为数据在MIT-BIH频率360赫兹,心跳拦截本文将集中在R峰,有45落后和25个样品,样品如图2。

毕竟,受试者签署知情同意书,心脏电生理学的研究(EPS)进行,射频消融术进行诊断后确认(22]。心脏内的电生理学的测量+消融过程:相关手术器械和患者充分的准备后,病人在心导管介入室消毒和无菌毛巾铺设等预防措施。在局部麻醉下,左锁骨下静脉,左股静脉和右股静脉穿刺,10-pole电极导管放置在冠状静脉窦(CS)面积x光透视,针对电极导管放置在他的包(HBE)地区,和2-pole电极导管放置在右心室/右心房(RV /右心房,右心室RA)在相应的网站,调节刺激参数执行常规心内电生理检查。通过心房和心室过程和增量刺激,左边和右边绕过一个接一个被排除在外(23],AV节点的诊断双通路可以证实存在典型的跳跃现象和心动过速发作或回声过程期间,其次是慢通路AV节点(24]。当AV节点双通路与隐蔽传导有关,很容易开发AV块(真空断路)窦性心律的状态,这种现象的病因通常是未知的,这可能导致临床医生误判,给错误的治疗。如果生理信号,如心电图(ECG)和其他生理信号异常,及时救援措施和治疗可以提供,可以大大降低了死亡率和其他事故引起的心脏病。有报道称的患者误诊为在临床诊断和真空断路永久起搏器植入。起搏器植入由于误诊常与不可预见的风险,如术中出血、术后感染,甚至不可逆的心脏破裂等并发症。11个病人的临床和电生理特征包括在本文观察和随访分析真空断路的相关因素。

MIT-BIH心律失常数据库是最权威的研究和广泛的数据库提供的心律失常,麻省理工学院(MIT)。心电图数据来自个人,其中47由25个男性和22岁女性,总共48个录音(数据201年和202年被从同一个男性个人)。这些48记录在360赫兹的频率采样,在两个领导,大约30分钟。每个记录是由两个以上的心电图专家注释的,和每个周期的心电图信号进行了分析,独立注释,然后验证和检查,心电图信号的节奏类型是决定最后的共识。心律失常数据库作为一个权威研究心律异常数据。MIT-BIH的注释信息之间的对应关系如表所示1。

通过调查和分析常见的异常心电图信号移动平台的需求分析系统,包括整个过程从心电图信号的采集,通过蓝牙传输到最后分析和结果可视化,本文决定了整个系统的方向和目标的实现。虽然基于pc和互联网完美解决问题方法的ECG信号的实时监测和分析,因为他们没有移动,他们将在很大程度上限制应用程序和推广。监视的人是连接到心电图采集终端通过三个领导的方式,收集人体心电图信号,通过蓝牙模块发送数据后信号处理手段,并通过蓝牙接收人体的心电图数据实时的客户端。分析和结果分析确定需要报警的相关人员。监控人员能够实时查看自己的生理健康状况通过客户端。

根据系统的数据流图,系统的主要功能需求是心电图数据收集和传播,心电图数据接收和实时显示心电图,心电图信号波形检测、自动分析、报警的判断,和心电图数据保存和管理。

2.3。评价指标设计分析

MIT-BIH心律失常数据库中,75.25%的心电图信号是正常的心电图信号类型,而四种异常信号类型仅占约24.75%。因此,这种不平衡问题在数据处理MIT-BIH心律失常数据库。所谓的数据不平衡问题指的是高度分类样本的偏态分布。摘要正常类型更比其他四种类型的异常心电图信号,这将导致大的错误分类的异常心电图信号。如何提高算法框架,数据不平衡算法设计过程中最重要的问题,这是本文的主要改进算法。

从上面的分析,深度卷积神经网络可以一起进行样本分类识别过程中的特征提取和分类识别。当移植到平台,开发者只需要关心模型的输入和输出,和中间的工作波形定位和特征提取可以被消除,-算法的复杂性造成的移植模型,所以深卷积神经网络作为一种算法框架可以方便地应用平台。通过选择深卷积神经网络的算法框架,第一和第二点的问题可以解决。对于第三点的数据不平衡问题,基本的深卷积神经网络框架不能解决这样的问题,所以需要改进的算法框架,如图3。

后上面的每一层的具体分析,分析每个级别的特征在深卷积神经网络和异常心电图信号分类本文需要解决的问题和特定的输入和输出层的层次结构以及中间卷积的基本水平,池、确定和完全连接层。如图4的基本网络结构深卷积神经网络心电图信号分类算法本文和整个网络结构包含11层。研究ECG信号的基本特征,根据深卷积神经网络的特点,设计和改进算法,该算法能正确分类和识别心电信号,并将其保存为一个算法模型在移动平台上运行。第一层是输入层,将心电图信号周期的数据样本作为输入网络;然后紧接着三层相似,包括卷积的一层,一个回旋的块组成的卷积层,一个规范化的过程,和一个激发函数依赖,和汇聚层,可以完整的心电图信号特征的提取和避免不准确的波形本地化和人工选择。特征值的错误然后连接到三个完全连接层特征向量映射到标签,和最终的输出层是用来获得五个心脏节律的输出结果类型。

3所示。结果和分析

3.1。实验数据处理分析的结果

这个系统能够自动分析心电图信号通过卷积神经网络模型框架。然而,训练网络模型需要大量的数据样本,即。,the input of the network, and there are two ways to obtain the general deep learning dataset: the first one can use the public dataset on the Internet, which eliminates the steps of dataset processing, and the second one is that the data is publicly available on the Internet or there is no corresponding dataset, which requires manual hands-on production of the dataset. The MIT-BIH database contains 60 groups of signals with a sampling frequency of 360 Hz, and each group of signals is sampled continuously for nearly 32 minutes. Figure4显示了连续心电图的波形信号的截获MIT-BIH数据库101年的数据,但医生对心电图的分析是基于一个心跳,所以心电图信号分为一个心跳。因此,虽然有48套MIT-BIH心律失常数据,他们仍然不能使用卷积神经网络模型作为输入,所以我们需要首先进行预处理48组数据,和预处理过程主要包括MIT-BIH数据解析、心电图信号去噪,击败。

第一行代表记录的编号为101的数据,其中包含两个信号采样频率为360赫兹和650000个采样点。波形的形状,有p波、QRS波,让小U-wave序列。这种异常发生在有延迟或中断块传导在左束支传导系统,这是一个典型的左束数据库。下两行记录信息为两组信号,分别代表数据101号和存储在“212”模式。200指的是ADC, 11指的ADC的分辨率,ADC零值设置为1024,采样信号的第一个值是955。和接下来的两大整数表示的数量进行抽样检查网站。第四行记录患者信息,与年龄、性别、和记录数据,分别。最后一行记录病人的用药史。

MIT-BIH阅读过程记录,每个记录首先读取文件,然后每个记录的参数是根据之前的记录格式解析;格式解析后,MLII通道的选择两组信号,然后读取所有原始记录根据“212”格式,包括心房间隔缺损、心室中隔缺损,孔椭圆形,动脉导管未闭。得到record-sampled原始数据后,下一步就是为每个记录心电图信号降噪。然而,考虑到卷积神经网络的特点,数据样本可以直接输入到网络没有去噪,网络也有一定的去噪效果,所以本文将两个数据集是否心电图信号去噪和分别进行仿真实验,如图5。

频率分布的主要组件是20赫兹到5000赫兹。工频电网干扰是一种常见的干扰;例如,周围的照明设备和各种电子设备的干扰来源,和这种干扰频率主要集中在50 - 60 Hz。通过带陷波滤波器的设计或数字平滑滤波算法,消除了,心脏信号频率主要是在5 - 20赫兹的范围。

后决定心跳划分方法的具体步骤,两组数据使用这种方法将心跳分别获得两个数据集。首先,48组的数据没有去噪分为五类,和相应的心跳被放置在一个类别获取数据集set2;中的同样,48组去噪后的数据划分数据集获取关于我校;最后的两个数据集的结果如图所示6。

本文的实验数据来自MIT-BIH心律失常数据库;在实验数据处理步骤中,数据从数据库转换为网络的输入,紧随其后的是仿真实验,该模型模拟实验的结果进行了分析和讨论(图7)。

本文算法框架不增加重量是用作改进算法模型,但网络,将改进的改进策略,将被用作深卷积神经网络权重的基础上,即。改进后的算法模型。原始数据集set2现在用作中的实验数据分别进行实验。在进行实验之前,我们需要设置权重的改进深卷积网络模型先叉。

首先,由于正常的样本大小是APC的约30倍,相应的体重正常的设置为1/30的APC,最大APC重量是7.8,所以相应的正常体重是在(0,0.26)。其他三种类型的RBBBB LBBBB, PVC,样本大小是4倍APC样本大小,所以这三种类型的重量将1/4的APC,根据体重正常范围决定,步长为0.02,重量精度最高的最终的重量。

3.2。分析挖掘的结果

根据重量设置的具体想法,0.02的步长,执行实验的范围(0,0.26),以及具体的实验结果如图8体重正常,横轴代表设置值和纵轴代表了网络模型的整体精度。

实验后,发现总体精度最高的体重正常时设置为0.2,所以最终正常型重量设置为0.2,每种类型的计算方法是根据重量的想法设置,最后重量如图设置值8。

数据集都使用原始数据集set2,中的两个网络模型保持相同的参数除了叉重量之差。网络学习速率设置为0.001和学习的迭代的数量设置为250。图9显示了网络模型的整体精度前后250次迭代,和图9显示了网络模型的损失之前和之后250年的迭代。

从图9,我们可以看到改进的网络模型的整体精度明显高于之前的曲线改进,这比以前更好;从图9之前,我们可以看到,上面的改进是0.01,和改进后的损失下降到0.001,远低于模型的损失。有些病人进行了24小时动态心电图检查。对于那些异常心电图,复审进行2到3次的平均1周。然而,这两个数字只能表明,网络模型的总体分类识别速率增加重量比之前更好,但本文主要关心的是四种类型的分类和识别精度异常心电图信号,所以以下每种情况的具体分类和评价指标的结果。

测试的主要内容是测试的数据接收模块和整个系统功能模块。数据接收模块测试主要是测试蓝牙配对连接,和数据解析处理测试,以确保接收的数据的正确性和完整性。经过一系列的测试和调试,整个系统功能可以稳定运行了很长一段时间。

在实验数据处理阶段,两个数据集,Set2和关于我校中的,是根据是否降噪心电图信号数据。的网络模型结果set2如图中的原始数据集10,以下实验进行去噪数据集关于我校使用改进的模型。实验分类结果如图10心跳,纵轴代表实际的类型和水平轴代表了模型预测的结果。分类评价指标的结果如图所示10。

从图10,它可以看到实验结果去噪算法的网络模型的数据集关于我校除了APC类型都是95%以上,尽管APC类型的识别率不达到一样的其他类型,这是之前的数据去噪相比也有所改善。比较数据集与数据集没有去噪,去噪之后有一个小APC类型的所有三个指标的改善,但是改善不显著等四种类型,因为APC类型是正常型波形形态。分类精度的原因是如此之高是正常的心跳的数量占很大比例的数据集,因此分类精度可以保持在一个相对较高的水平。Set2和关于我校中的仿真结果的比较,发现去噪心电图信号的分类精度提高了APC类型与nondenoised相比,和其他四种类型的分类精度相似,表明去噪心电图信号可以提高识别精度的APC类型和不会影响其他类型的分类。因此,在本文中,首先收集到的心电图信号进行去噪,然后分类和识别进行去噪心电图信号。

4所示。结论

本文的研究内容和研究现状全面调查常见异常心电图信号,总结了一些在心电图信号的自动分类算法,阐述了所采取的具体措施这些传统分类算法的过程中自动心电图信号的分类以及它们的缺点,并确定研究思路和相关技术理论知识。此外,心电图信号移动平台的分析系统,分析心电图监测系统的发展历史,和移动的方向和目标平台分析系统是本文分析和比较后决定。移动平台系统的功能和性能要求为常见的异常心电图信号设计,功能模块和它们之间的联系被确定。解决传统心电图信号分类算法的缺点和不便在工程应用中,提出了一种体重依赖型剂量深度卷积神经网络作为心电图信号分类算法的框架,免去了手动特征提取,降低算法的复杂性,并可以快速部署和调用结束。两个数据集构建MIT-BIH使用数据从公共数据库,和两个数据集的分类结果进行比较完成去噪前的心电图信号分析和处理的过程。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

朱y, y的贡献同样这项工作。

确认

这项工作是由杭州附属第一人民医院、浙江大学医学院。