文摘

心律失常是心血管疾病,严重影响人类的健康。心律失常的识别和诊断是一种有效的方法预防心脏病。摘要BiLSTM-Treg算法相结合的节奏信息提出了实现自动分类的心律失常。首先,使用离散小波变换降噪的心电图信号,基于我们心跳进行分割和保存时间心跳之间的关系。然后,不同的心跳段长度和BiLSTM网络模型是用来进行多种实验选择最佳心跳区段长度。最后,树正则化方法用于优化BiLSTM网络模型来提高分类精度。和神经网络模型的可解释性分析通过分析模拟决策树生成树中的正则化方法。这种方法将心跳划分为五类(nonectopic (N),室上异位(S)、心室异位(V),融合心跳(F),和未知的心跳(Q)和验证MIT-BIH心律失常数据库。结果表明,算法的总体分类精度为99.32%。与其他分类方法相比,心跳,BiLSTM-Treg网络模型本文算法不仅提高了分类准确性和获得更高的灵敏度和阳性预测值还具有更高的可解释性。

1。介绍

随着人民生活水平的提高,心血管疾病的发病率和死亡率逐年增加,伴随着一个年轻的趋势(1]。心律失常是一种常见的心血管疾病,这可能会危及人们的生活在严重的情况下2]。因此,准确检测心律失常,以防止心脏病具有非常重要的意义。心电图(ECG),作为一个全面的表达心脏电活动在身体表面,包含了大量的生理和病理信息反映心脏节律和电传导的重要基地之一心脏病的诊断和评估心脏功能(3]。不同类型的心律失常可以识别和诊断分析心电图波形。传统的心电图波形分析是由医务人员手动执行,需要给一个诊断基于心血管疾病诊断规则和个人经验。由于患者的个体差异和疾病的复杂性,有许多类型的心电图。此外,一些只是偶尔发生心律失常病人的日常生活,和心电图数据需要记录了很长一段时间。因此,收集ECG数据的数量是巨大的,这给医生带来了沉重的负担。在这种情况下,错误,错过了检查,或者misdetections容易发生。随着计算机技术和电子信息技术的迅速发展,计算机已成为医学现代化不可或缺的重要工具,计算机辅助医疗已经渗透到医疗服务的每一个角落4]。近年来,越来越多的关注已经支付给心电描记法的计算机辅助分析算法的研究,尤其是那些可以准确、快速识别和诊断心律失常。心电信号的自动分类和诊断算法可以节省医生的时间,帮助他们更好的判断快速心律失常的症状。此外,它可以提供良好的医疗保健的地区医疗资源稀缺。

摘要击败分类方法基于时间序列网络,集interheartbeat节奏信息。这种方法是基于树正则化约束和BiLSTM神经网络模型。这种方法提高了心跳分类的准确性。并分析了该算法的可解释性树正则化约束和特征分析。这项工作的主要贡献如下:(1)时序BiLSTM-Treg算法设计分类的节拍,相结合的信息比深层神经网络可以学习更多节奏心跳之间的信息。(2)心跳的树正则化方法分类模型提出了优化BiLSTM-Treg算法和改进神经网络模型的泛化能力。(3)通过分析模拟决策树的关键节点树正规化,BiLSTM-Treg算法的学习过程中的问题进行了分析,并分析了模型的可解释性。(4)与其他深学习方法相比,提出的BiLSTM-Treg算法提高心跳分类的准确性,减少医生的误诊率在一定程度上

2。相关工作

早期心律失常的诊断主要是医生的手动心电图波形的分析,这就需要医生有专业的医学理论基础和丰富的临床经验。由于心律失常的多样性和心电图波形的复杂性,该方法不能满足病人的需要。随着人工智能的发展,心律失常的分类使用智能处理技术近年来已成为一个热点话题。

在1950年代,使检测到的心电信号自动分析技术领域的出现心电图研究。起初,只有心电图过滤处理技术发展相对成熟。之后,随着技术的不断发展,自动检测和诊断心律失常的疾病也开始被研究人员不断探索。心电图在过去的几十年里,国内外研究人员已经提出了各种各样的心跳分类方法。这些方法可以分为两类,从的角度是否需要手工使检测到的心电信号特征提取:工程学特征分类方法和基于深度学习方法(5]。传统的基于规则和machine-learning-based心跳分类方法都需要手动特征提取。

2.1。心跳工程基于特征的分类方法

特性工程是处理一系列的原始数据和提取的特征作为输入模型改进的性能模型。特性工程主要包括三个方面:特征选择、特征提取和功能建设。特征提取是心电信号分类和识别的关键步骤,和提取的特征质量将影响心电信号分类和识别的准确性(6]。一般来说,心电信号的特征提取研究人员主要包括形态学特征(7],相间特性[8,9),小波变换特性(10),高阶统计(HOS) [9,11),埃尔米特基函数(住宅)12),QRS振幅矢量(13],QRS复合波区域(14]。然后机器学习算法用于分类,如资讯算法(15),支持向量机(SVM) [7),和随机森林9]。朱et al。7)提取心电图形态特征和支持向量机算法用于分类的心跳,达到较高的分类精度。杨et al。9)提取的各种功能,包括RR间隔,小波系数,和高阶统计数据,然后用随机森林分类器基于一个极端的学习机器检测心律失常。霁et al。15)提出了一个multifeature组合和叠加DWKNN算法对心律失常进行分类。不同特征组合的影响心跳的分类进行了分析。

尽管这种方法基于功能工程也可以达到较高的分类精度,因为复杂的波形和可怜的ECG信号的抗干扰能力,特征提取用手经常产生人为错误。和手工设计的特点是非常依赖于研究者的先验知识。深度学习的优点是自动提取特征和分类,这也解决了一系列问题引起的人工特征提取。

2.2。心跳基于深度学习的分类方法

深层学习模式已经成为一个常见的心电图数据分类模型(16]。与功能工程学心电图分类方法相比,深度学习的方法,它使用原始数据而不是手动提取特征作为输入,可以获得较好的分类性能。在深度学习的方法,研究人员使用隐藏层的非线性变换在网络自动获取有效的特性和原始的特性转换成不同的新功能空间的结构通过改变网络中的隐藏层和叠加的方式17),以充分利用丰富的隐藏信息的数据,提高分类精度。

最近,一些研究人员(18,19)深神经网络模型用于心电信号的自动分类。霁et al。20.)提出了一个基于快R-CNN心电图分类系统。一维ECG信号转换成二维图像作为输入的神经网络实现心律失常的分类。Akarya et al。21)提出了一个9-layer深卷积神经网络(CNN)心电信号的自动识别。原始ECG信号和高频心电图信号过滤掉噪音被用来分类的心跳,准确率分别为94.03%和93.47%,分别。汗等。22)使用长期短期记忆网络(LSTM)自动识别16不同类型的心律失常。吴et al。23)提出了一个心跳分类算法,集成CNN和BiLSTM深度学习模型和提取的形态和时间特性的心跳,分别利用CNN和BiLSTM。李等人。24)提出了一个BiLSTM-Attention网络模型来区分不同类型的心律失常。Pandey et al。25应用小波的提取特征,RR间隔,形态,高阶统计BiLSTM实现自动分类的心跳。Yildirim et al。26]提出一种基于小波变换和心跳分类模型BiLSTM网络,使用小波将ECG信号分解成不同频率的信号尺度和使用的信号作为输入序列BiLSTM模型。

ECG信号的分类方法基于深度学习实现“端到端”的学习模式,消除了手工设计过程的特点,节省了人力,使心电图分类的过程更简单和更有效率。尽管上述研究巧妙地利用深层神经网络分类心电图信号,节奏心跳之间的信息没有被充分考虑,没有分析,网络的可解释性和分类准确性需要改善。

3所示。方法

心跳BiLSTM-Treg算法的分类方法相结合的节奏心跳之间的信息摘要主要包括以下步骤:首先,数据预处理过滤噪声的ECG信号与心电信号划分为心跳。其次,连续单心跳组合成心跳段,这样节奏心跳之间的信息可以被保留。然后,BiLSTM-Treg模型构建和优化。最后,心跳是机密。部分3所示。1预处理部分,部分3所示。2节奏的表示信息部分,部分3所示。3是模型建立和优化的部分。

3.1。心电信号预处理

预处理阶段主要是使检测到的心电信号去噪和分割。一般来说,收集到的心电信号不可避免地包含噪声由于设备和人体本身的影响(27),主要包括基线漂移、工频干扰,和肌电图干扰。重要的是把尽可能多的噪音从心电图信号分类之前。小波变换是一种泛化的短时傅里叶变换(STFT) [28),它可以使检测到的心电信号进行时频分析。与STFT的等距的时频定位相比,小波变换可以提供以低频率更高的频率分辨率和高时间分辨率高的频率。本文使用离散小波变换降噪心电图信号,可以避免丢失重要的生理ECG信号的细节和更好的保留ECG信号的特点。因为高Daubechies小波的规律,重构信号相对光滑。和力量的频谱DB6小波(29日,30.)是专注于低频率。其温和的滤波器长度和温和的系数值,与其他小波相比,提供更多的平滑和心电图基准点的转变。因此,为了获得一个良好的分类精度,本文使用DB6 Daubechies小波基的小波处理心电信号。在实现方面,我们使用python的开源pywt小波变换工具。离散小波变换公式(31日]所示(1)和(2)。 在哪里 是小波系数,是离散小波函数在不同的尺度和位置,是输入心电信号,小波基函数,规模是最重要的。更大的,规模越小,频率越高,越接近细节。的偏移位置。尺度参数和吗是位置参数。与离散小波变换信号预处理前后对比图所示1和图2。

心跳分割就是将一个心电图记录与一个完整的心跳作为一个单元(32]。一个完整的心跳应该包含P波、QRS复合波,和T波(33),如图3(一个)。本文的峰值R波明显MIT-BIH数据库中被用作参考点心跳分割,提取和0.25和0.4年代之前和之后的顶峰R,如图3 (b)。我们把这个0.65 s数据作为样本的一个心跳。MIT-BIH心电图数据采样率为360 hz,我们之前提取的90点R峰和144点后R高峰。因此,重构样本是235分。

3.2。节奏心跳之间的信息

节奏心跳之间的信息包含在心电图医生诊断心脏疾病是一个重要的依据。心电图的变化节奏的不同部分的心能反映问题,它可以帮助医务人员设计更合理的治疗方案。常见的节奏类型是二联、三联、室性心动过速和心房心动过速。

二联。每一个正常的心跳是紧随其后的是过早搏动。和连续出现三个或更多的团体被称为二联。根据过早搏动的类型,它可以分为室性二联,心房二联。例如,节奏变化N-V-N-V-N-V室性二联,和节奏变化N-S-N-S-N-S心房二联。

三联。发生过早搏动后每两个正常的心跳。和连续出现三个或更多的团体称为三联。根据过早搏动的类型,它可以分为心室三联和心房三联。例如,节奏变化N-N-V-N-N-V-N-N-V心室三联,和节奏变化N-N-S-N-N-S-N-N-S心房三联。心电图信号与心室三联如图4。

室性心动过速。三个或三个以上连续心室过早搏动被称为室性心动过速,如V-V-V节奏变化。

房性心动过速。三个或三个以上连续心房早搏被称为心房心动过速,如S-S-S节奏变化。

此外,某些类型的心跳的出现也反映了心电图的变化节奏。例如,在一个持续的室性心动过速、心室融合心跳往往是由于窦房结发出的电信号,产生心室捕捉紧随其后。因此,心室融合心跳和心室捕获是室性心动过速的重要特征。

在这篇文章中,这个节奏信息,这有利于心跳的分类,是集成到模型中。具体来说,在处理数据集,连续单拍分为段,保存信息之间的节奏跳动。然后,心电图数据输入到神经网络模型单元的心跳,使模型能够充分利用信息包含在心跳节奏片段识别时心跳类型和提高了分类精度。心跳段的长度是我们研究的重点之一。

3.3。BiLSTM-Treg算法

递归神经网络(RNN)是一种神经网络与短期记忆能力,这是非常有效的处理数据的序列特征。然而,在深层神经网络,梯度是不稳定的。梯度接近输入层计算基于梯度的乘积的后续层(34]。当神经网络有太多的隐藏层或RNN网络的输入序列太长,它将导致输入层附近的梯度消失或炸毁,在一定程度上影响RNN的性能。为了解决这个问题,Hochreiter et al。35)提出了长期短期记忆网络(LSTM)在1997年。通过添加限制进入RNN单位,网络可以选择是否保留历史信息,解决梯度消失的问题,梯度爆炸引起的长期RNN网络的依赖。

3.3.1。BiLSTM神经网络结构

与RNN相比,LSTM增加了三个控制单元,输入门,忘记门,和输出门。LSTM此外,有两个重要的部分,即内存单元,和隐藏的状态。忘记门控制内存单元中的信息是否丢弃,输入门控制电流信号和隐藏状态的信息是否被添加到内存单元,和输出门决定内存单元的信息输出。图5显示了LSTM的单元结构, , ,和 ,分别代表忘记门在当前时刻,输入,输出门;和 ,分别代表内存单元的状态值前一刻和当前时刻;和 ,分别表示前一时刻隐藏状态和当前的时刻。代表输入当前时刻,内存单元的候选人价值在当前时刻。和代表乙状结肠激活函数和双曲正切激活函数,分别。

LSTM的计算过程可以表示为公式(3- - - - - -8):

公式(3)- (6),分别代表输入的计算公式 ,忘记门 ,输出门 ,和候选人价值的内存单元。他们都是由输入数据在当前时刻,隐藏的状态前一刻,及其对应的权重矩阵, , , ,和当前输入的权重矩阵吗 ; , , ,和代表权重矩阵的隐藏状态在最后一刻; , , ,和分别对应的偏差项。这些权重矩阵和偏见方面训练的梯度下降的方法。公式(7)表明,当前时刻内存单元调整当前候选单位和自己的状态以及输入门和忘记门。最后,公式(8)表明,输出在当前时刻,也就是说,隐藏的状态在当前时刻,是由当前的内存单元和输出门。

LSTM的一个缺点是它不能预先编码信息,只能使用过去的上下文,而不是它的未来的上下文。分类的心跳,如果前者和后者的相关信息可以同时获得的分类在当前的心跳,心跳的节奏信息将更准确地把握,从而改善当前的分类精度的心跳。和BiLSTM解决这个问题(36]。在每个BiLSTM层,有两个独立的LSTM处理序列在两个方向,分别。具体的公式所示(9)- (11)。当时 ,隐层的状态BiLSTM获得心跳信息之前的时间通过远期LSTM和心跳信息之后的时间通过向后LSTM然后进行的加权和和 ,在哪里和相应的权重矩阵和吗是偏差项。

3.3.2。基于树正规化BiLSTM网络

在机器学习中,有许多策略旨在减少模型泛化错误,统称为正规化。正则化的形式非常简单,那就是添加一个额外的术语后,目标函数影响的选择最优的目标函数。常见的正则化方法是L1正规化和L2正规化。常见的正则化方法是L1正规化和L2正规化。目标函数方程所示(12),是一个普通的术语。

吴树正则化是一种新的正则化方法提出的et al。37),这不仅可以有效地提高模型的泛化能力,还分析了模型的可解释性。树的深度网络模型的正则化方法可解释性postinterpretable方法,也就是说,运用模型分析的方法在模型训练的模型解释。这种方法查找深层网络模型的决策树表示和实现人类的理解网络模型的预测结果通过改善人类simulability网络模型。树正则化的实现方法包括以下两个阶段。首先,我们深神经网络训练时被决策树建模密切。通过这种方式,这个决策树可以准确地模拟网络的预测过程。其次,决策树的复杂度度量,平均路径长度(APL),作为惩罚项的模型优化。通过这种方式,神经网络可以被鼓励去生成简单的决策树和限制来生成复杂的决策树,这进一步使生成的决策树更容易被人类模拟。决策树生成公式可以表达的(13)和(14),训练集的样本特征, 是预测深度模型的标签,是深度模型的权重矩阵,决策树的预测标签。的原因作为决策树的输入是吗和尽可能相似的目的,实现模拟深层网络使用决策树。

树正规化的计算公式所示(15), 的路径长度样品和平均路径长度,即惩罚项。

它可以看到从方程(15),不是可微的网络参数 。因此,为了使用梯度下降策略在网络优化过程中,吴et al。37)提出了代理正则化函数 ,可替代前面的APL计算方法,如方程所示(16)和(17)。通过训练多层感知器(MLP),参数向量W之间的映射关系建立的神经网络模型和APL。W和APL作为输入延时,延时的目标函数方程所示(17),代表模型的权重矩阵,代表了正则化强度, 代表了已知参数向量和相应的实际APL数据集,和代表数据集的总数。因此,在使用代理模型,目标函数的BiLSTM网络方程所示(18)。

摘要树正规化用于BiLSTM模型优化模型,减少模型的泛化误差,提高分类精度。同时,模拟生成的决策树是用来分析和了解BiLSTM心跳模型进行分类。使用树正规化BiLSTM模型如图6。具体地说, 用于表示一个心跳样本。心跳段组成的连续单心跳作为网络的输入,和单一心跳心跳的数量是网络的步伐。模型首先使用BiLSTM分类心跳。其次,决策树是用来模拟BiLSTM, APL计算。然后,模型训练得到代理正则化函数 ,然后添加到BiLSTM模型的目标函数为下一轮的培训。Algoithm1描述了BiLSTM-Treg模型算法。

4所示。实验

心电信号的处理和分析是非常重要的分类的心跳。本文的研究重点是模型的建设和优化整合节奏信息。根据ANSI / AAMI EC57:2012分类提出的促进协会医疗器械(AAMI),心律失常可分为五类:N(正常或束支块),S(室上异位击败),V(心室异位击败),F(融合击败)问(打未指定)。的基础上提取连续心跳段,这个实验构造一个时间序列网络节奏心跳之间的信息集成和心跳分为上述五种类型。

4.1。实验环境

本文提出的模型训练和测试与Xeon PC工作站(R)银- 4114 cpu, 32 GB内存和Geforce2080Ti显卡。PC工作站运行Ubuntu 18.04系统。和算法运行TensorFlow-GPU V2.2.0框架。

4.2。实验数据

一个统一和权威的标准数据库是心电信号的自动分析的基础。在ECG信号的研究领域,MIT-BIH心律失常数据库是应用最广泛的数据库研究人员(38]。数据库包含48记录,每个大约30分钟,大约650000个采样点和采样频率为360赫兹。15个类别标签在MIT-BIH心律失常数据库。表1对应的表的两个心跳分类方法。

在本文中,我们分类109454心跳MIT-BIH心律失常数据库,其中包括90595 n型心跳;心跳2781年代类别;7235 v形心跳。心跳在F类的数量只有802,问是8041年。心跳在这篇文章中,90%的数据被随机选中的数据集作为训练集,剩下的10%作为测试集,具体分布的数据如表所示2。

4.3。评价指标

为了计算模型的性能心跳分类,分类结果分为四类:TP、TN, FN FP。以n型为例;公式(19)- (22),分别代表N型的计算方法正确积极的心跳(TP_N),N型假阳性(FP心跳_NN真阴性心跳(TN),类型_NN假阴性心跳(FN)和类型_N)。表3显示了混合矩阵的分类结果。

摘要敏感性,特异性,阳性预测值,准确性作为分类器性能的指标。灵敏度(Se),也被称为召回率、正样本的比例,正确判定为阳性。灵敏度越高,正确预测样本的比例就越大。特异性(Sp)的比例正确判断负样本实际负样本。阳性预测值(+p)是指正确的比例判断阳性样品的所有判断阳性样本。准确性(Acc)的总和的比例是真阳性和真正的阴性样品的总数,反映测试结果和实际结果之间的一致性。以上四个评价指标的计算公式所示(23- - - - - -26)。

5。结果和分析

为了建立一个最适合的时间序列网络模型心跳的任务分类和更准确的区分心律失常的分类,我们进行以下五组实验。在本节中,我们首先比较和分析RNN的性能,格勒乌,LSTM心跳分类(部分5.1)。其次,网络改为双向,BiRNN的分类结果,BiGRU, BiLSTM比较(部分5.2)。第三,通过比较不同的心跳长度的影响BiLSTM模型的分类性能,最佳心跳长度被选中(部分5.3)。然后,树正规化被用来优化BiLSTM模型。通过添加树正规化,BiLSTM泛化能力的改善,提高分类精度,而传统L1和L2正规化(部分5.4)。然后,模拟决策树的重要特性进行了分析和实验验证了(部分5.5)。最后,结果与其他引用(部分5.6)。

5.1。分析不同时序网络的实验结果

为了选择最优时间序列网络模型,实验1选择的三种网络模型,即RNN,格勒乌,心跳和LSTM分类。实验结果表明,RNN的总体分类精度模型和格勒乌模型是98.98%和98.97%,分别。LSTM模型的总体分类精度为99.09%,优于RNN的模型和格勒乌模型。然而,它不能充分考虑节奏心跳信息通过使用单向递归神经网络分类。表4显示了三个单向递归神经网络的分类结果和性能。

5.2。实验结果分析不同的双向时间序列网络

递归神经网络的单向只能学习表现心跳信息在当前时刻之前的心跳分类。因此,我们提高选择LSTM网络BiLSTM,这样网络可以考虑前面的心跳信息和未来心跳信息。和BiRNN BiGRU网络用于比较和验证。实验结果表明,整体BiRNN模型的分类精度和BiGRU模型是99.13%和98.92%,分别。BiLSTM模型的总体分类精度为99.18%,这比BiRNN模型和BiGRU模型。表5显示了分类结果和三个双向递归神经网络的性能。

5.3。选择最优长度的心跳

为了选择最优长度的心跳,总共7实验。心跳段的长度由我们选择是1,5、10、15、20、25日和30日分别和相应的步伐BiLSTM也是1,5、10、15、20、25和30。实验结果表明,网络的分类精度逐渐提高当心跳段的长度小于15。然而,当心跳的长度大于15,网络的分类性能迅速下降。主要原因是心跳的节奏信息,如二联、三联,心房心动过速,室性心动过速,可以显示在15胜。心跳段太长时,心跳被网络太冗余的信息,这将影响网络性能。表6显示的分类结果BiLSTM心跳网络与不同长度的段。

5.4。分析不同的正则化方法的实验结果

为了提高BiLSTM的泛化能力,进一步提高分类精度,我们选择树正则化约束网络的重量和使用的传统L1和L2正规化的比较。实验结果验证该模型的可行性和有效性,和总体分类精度为99.32%。模型的总体分类精度使用L1正规化和L2正规化是99.26%和99.23%。与实验2相比,实验4的总体精度提高了0.14%,和类的精确年代,V类,和类F都有所改善,其中F类的精度更明显提高了5.62%。通过以上分析,得出树正规化可以有效地提高网络的分类精度,这是比传统L1和L2正规化。表7显示BiLSTM模型下的分类结果不同的正则化方法。图7显示心跳的混淆矩阵分类结果基于BiLSTM-Treg模型。

5.5。分析模拟决策树的关键节点

这棵树正则化方法用于本文寻找模型的决策树表示在网络的训练过程。生成的决策树模拟BiLSTM网络模型的决策过程。我们称之为决策树模拟决策树(SDT)。因为有许多特征点在一个心跳,生成的声波时差太大,所以我们选择了树的十大重要特征点生成的SDT当显示这个决策树,如图8。十大重要特征点是126,112,162,121,153,80,224,93,100,120。这些特征点的位置对应于心电图波形如下:采样点126,120,121,112和153对应于ST段,采样点J224点,采样点对应的端点T波,采样点162对应的起点T波,采样点80对应的峰值问波,采样点93对应的峰值R波,采样点对应的峰值100年代波,如图9。

在图8的,我们已经修改了表示决策树节点的值字段。我们代表值字段中的值的百分比的心跳数N, S, V, F,问心跳总数的相应的类别。以节点2为例,0.08的值字段表示类S心跳在这个节点的数量占总数的0.08%类心跳,这意味着该节点几乎不包含类的心跳。因此,根据这一模拟决策树,我们有以下分析:(1)采样点126模拟决策树的根节点。根据这一点的电压值是否小于−0.0692 mV,样品可分为两部分,即节点2和节点3。在节点2,心跳的F和类问是相对较大,而其他三个类别的心跳是相对较小。因此,类F心跳和46.22%的类的28.95%问心跳是分开的总样本根据采样点126。分析原因:采样点126点心电图ST段的波形。ST段指的是段之间的QRS波群的结束和开始的T波,代表心室去极化和心室复极化之间的时期39]。正常的ST段光滑和充裕的基线。(2)节点11和12所示,节点2区分F的心跳问心跳根据采样点224的价值。只有0.38%的类问心跳节点11和0%的12类S心跳节点。分析原因:采样点224的端点T心电图波形的波。T波一波更大的振幅和长期QRS波群后,显示了心室复极化的过程。(3)可以从节点5所示,节点3分离类V心跳和25.53%的类的25.1%问心跳节点3 112年根据采样点的值,并显示节点14和15节点,节点5类年代的心跳有别于类问根据采样点153的价值。分析原因:采样点112J心电图的波形J点之间的结点的QRS波群和ST段的开始。(4)的节点13个,节点4把26.00%的节点类V心跳4根据采样点162的价值。节点的节点16日6将14.85%的类V心跳和12.59%的类F心跳从节点6根据采样点80的价值。采样点162和采样点80人T波点开始,问波高峰值,分别。(5)节点8所示,11.88%的氮、34.33%的年代,13.11%的V, F的3.22%,和19.53%的问心跳是分开的样本节点7根据采样点的值93。通过节点9日和10日,6.81%的类在节点18 V是解决,15.78%的类问是解决节点19岁和21.62%的20类S心跳是解决节点。原因分析如下:采样点93和采样点100人,分别R波和S波在心电图波形,这一起问波对应的采样点80构成QRS波群。波组的QRS波群是一组复杂的变化和大的振幅,显示心室去极化的过程(40]。

验证BiLSTM-Treg算法关注和学习从这些医学上重要的特征点,在实验5中,我们只用这10个重要的特征点作为一个心跳的特性和使用BiLSTM-Treg算法分类的心跳。实验结果如表所示8,总体分类精度为98.45%。与实验4,实验5显示,所有其他指标无显著降低除了类s的敏感性实验结果验证这些医学的重要性显著特征点模型。

5.6。与先前的研究相比

表9比较了该方法的分类性能和其他文献的方法。其他文献的实验数据也来自MIT-BIH心律失常数据库。从表可以看出9本文的方法最好的分类精度,与99.32%的总体分类精度。分类方法在文献[23,25所有使用BiLSTM模型)。结果表明,该方法具有明显的优势在所有指标除了类F的低灵敏度,和分类精度高于2.03%和0.74%两种方法,分别。从心跳的角度类型,类年代的敏感性显著提高了本文提出的方法与其他方法相比。与文献[21),本文给出的方法使所有指标问心跳更好,尤其是的敏感性问心跳增加了2.25%。本文提出了一种分类方法集成有节奏的心跳之间的信息,医生担心到时间序列网络,网络可以有效地学习这个信息。此外,双向时间序列网络模型可以更方便地获取上下文信息心跳的一个组成部分,因此本文算法有更好的分类性能的心跳分类问题。

6。结论

在这篇文章中,一个智能分类的心跳BiLSTM-Treg算法的基础上,集节奏心跳之间的信息。该方法充分考虑心脏节律的信息,医生诊断时注意心脏病,并实现自动分类的心跳。本文的心跳段不同长度的影响模型的分类结果进行了分析选择最佳心跳区段长度。在此基础上,BiLSTM-Treg算法用于心跳分类。MIT-BIH心律失常数据库进行实验,结果表明,该方法能有效区分五种心跳,N, S, V, F,问,整体分类准确率是99.32%。这个研究的意义是为患者提供更准确的医疗保健服务。本研究的亮点如下:(1)心跳段包含节奏心跳之间的信息被选为心跳样本的特点,和BiLSTM-Treg算法用于自动学习个人潜在的节奏信息(2)一棵树正则化方法提出了优化BiLSTM-Treg算法和改进心跳分类的准确性(3)通过分析模拟决策树的关键节点的可解释性BiLSTM-Treg算法进行了分析(4)实验结果表明,本文提出的算法可以有效地实现心律失常的分类

在未来的研究中,我们将会收集更多的pretraining类f型心跳数据模型,以获得更准确的智能心电图诊断结果。

数据可用性

(1)所有数据集用于支持本研究的结果包括在纸上。(2)所有数据集用于支持本研究的发现提供的公开MIT-BIH从麻省理工学院的数据库。URL是https://archive.physionet.org/cgi-bin/atm/ATM访问该数据。(3)编码用于支持本研究的结果还没有提供,因为本文的源代码是一个国家项目的一部分,是一个商业秘密,所以源代码不可用。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持部分由中国国家重点研发项目(批准号2017 yfb1401200);重点科技项目的新疆生产建设兵团(批准号2018 ab017);重点研究、开发和推广项目的河南人(科技)(批准号182207310002);中国国家自然科学基金(批准号61872324);项目为河南省高校科技创新人才(批准号21 hastit031); Training Plan for Young Backbone Teachers of Colleges and Universities in Henan (Grant no. 2019GGJS018); Key Scientific Research Project of Colleges and Universities in Henan Province (Grant no. 20A520035); and Collaborative Innovation Major Project of Zhengzhou (Grant no. 20XTZX06013).