文摘
近年来,中国经济的快速发展,和人们的生命和生活质量的改善;更重要的是,人们的习惯和生活习惯也由之前的“不卫生”和“不小心”当前“”更健康、更卫生、更环保、更复杂的方向发展。在这个发展的过程中,由于经济的快速发展和工业化的城市,心脏病的发病率也逐年增加。根据相关研究,中国的城市化进程,前所未有的数量在中国城市化的人近年来激增,以及城市和农村人口的比例从20%增加到现在的75%。的影响人口和城市建筑的城市化是影响人们的身心健康,有意识的和无意识的,正面和负面的身体和精神对心理和生理水平的影响。本文深度学习的概念是充分利用训练CNN神经网络模型并将其应用于心电图异常识别和预测考试。为了充分验证的应用和意义深度学习在心电图异常识别和预测,整个项目完成后通过主观和客观实验。实验结果表明,从主观方面,心电图检查已经被大多数人接受不同的年龄组,和心电图检查的分析结果与深度学习模型本文更令人满意的;从客观方面,CNN-ECG异常识别预测网络模型在本文中具有较高的训练。心电图异常识别预测模型的精度可以达到86%,当学习速率设置为0.0001和批量大小设置为120,和模型可以在一定程度上减少医务人员的负担。
1。介绍
心脏是一个非常重要的组成部分,我们的人类有机体(1]。根据相关研究,重大疾病的发病率远高于一线城市比在小城市2]。这种现象有很多原因,其中之一是城市污染和城市化的过程中,只强调经济发展没有关注人的因素,和大量的高楼竖起,但城市绿化建设被忽视;所有这些因素导致城市污染的加剧,更重要的是,人们生活在一个压抑的环境,没有人文关怀很长一段时间,这将大大影响人体。这可能会导致抑郁症和无聊和缺乏情感释放和疗愈,这也是一个重要因素,导致身体健康的出现(3]。
心,一切的“源”在人体内,不仅控制着整个身体的运作还充当“总司令”和“主控制器”的血液循环;所以,许多疾病在人体可能与心脏。因此,许多疾病在人体可能与心脏的健康运行,如冠心病、胸闷、气短、和心律失常4]。根据一项研究[5),有些病人患有胃病多年来,然后在治疗过程中,他们一直在吃药,协调胃,促进消化和吸收,并经过一段时间的治疗,病人的胃疾病的改善,但病理现象,如胸闷、气短和心律失常出现了。推导后,病人的胃疾病可能是一个“小病”和遇险信号发送的心脏通过胃,医生安排病人住院并接受心电图(ECG)。医生后来安排病人24小时动态心电图,心电图,最后推断病人无意中出现冠状动脉阻塞症状但最终相应治疗后好转。通过上面的案例研究,众所周知,在现实生活中,许多疾病都可能与心;因此,常规的心脏检查是值得注意以及必要的(6]。
心电图,一个很常见的方式检查心脏的健康,起着非常重要的作用在确认的过程中许多疾病(7]。研究心电图异常也逐年推进,如研究学者专门为分析心电图异常的老年人口(8];在本文中,作者首先分析了有关基本数据和澄清的标准和使用索引的测定观察,然后使用组织的方法,通过统计方法分析数据。最后的实验结果表明,与心电图异常结果的人数约为1800的3000名老年医学考试,占60%以上,这表明,心电图检查是非常重要的对于人类健康的安全。此外,一些研究人员在不同年龄组进行了心电图异常的孕妇,作者首先分析了数据和方法实现心电图检查的孕妇和心电图异常执行在所有孕妇使用传统18-lead跟踪方法。发现孕妇在不同年龄段的心电图或多或少的问题,特别是在妊娠中、晚期,这项研究具有积极意义和参考意义对孕妇和胎儿,因为孕妇与心电图异常可以得到及时的关注和有效的治疗。
总之,由于社会经济的不断发展和扩大,人们的生活方式也发生了彻底的变化,城市化的进程也促进了空前由于经济的快速增长,这是由于上述因素的影响,许多城市不希望“绿色和自然和谐”生态建设只要经济发展。长期生活在缺乏绿色健康将导致抑郁情绪,这将导致人类健康问题。以上分析的结果,对许多疾病的诊断是最终与心脏的健康有关;心电图异常的研究是最重要的一个学术研究对人类健康和生命9]。
然而,大多数的研究和心电图异常的方法现在专注于特定人群或特定的药物,并且这些研究通常选择特定的目标人群作为调查研究的对象,然后执行心电图检查,然后讨论并通过相应的统计技术分析考试结果。这些研究的结果有一定的目标受众,在某种程度上是片面的。因为心脏问题不仅与年龄有关,还与其他因素有关,如区域环境中,心电图异常的研究应该更加全面和有更多的目标受众,其次,心电图异常的识别和预测一般人群中预防心脏疾病的一个重要工具。
2。研究的背景
2.1。心脏检查模式和它的重要性
心对人类健康生活的重要性不能被夸大,和定期体检的心是最重要的一个方面关注生命的健康和安全。有很多方法来检查心脏,最常见的和常规的方法之一是心电图。它通常是用来发现患者是否有心律失常和心肌缺血是一种使用最广泛的心脏检查的临床诊断主要医院。有各种形式的心电图,包括心脏超声,24小时动态心电图,锻炼小组测试和冠状动脉CT (10]。
第一个是心脏超声,它也被称为彩色多普勒超声心动图;诊断的患者首先通过使用超声波探测器扫描病人的胸部,进而可以获得图像的心脏部分在不同的方向相同的病人的心,不仅如此,运营商还可以获得有关病人的心脏功能参数通过设备,结合上面的图像和基于这些图片和参数,全面评估患者的心脏可以执行,以确定是否有任何心脏功能异常,为后续处理提供参考依据(11]。获取心脏超音波影像后,临床医生也可以详细分析心脏的血流分布是否正常,心脏的回波的信号是否在合理的范围内获得全面评估患者的心脏功能(12]。其中,心脏超声不仅有助于医生确定病人的病情更理性,也更准确地确定是否存在心肌衰竭和其他并发症引起的心肌患者的心脏问题。
第二个是24小时动态心电图。24小时心电图是由戴着特殊的录音机24小时,用于记录所有更改在心脏的活动和安静的状态,为了检查所有指标的心脏。24小时动态心电图的帮助下,所有的变化都发生在患者的心脏在24小时内可以捕获详细记录各种异常发生在心脏并记录相关指标的变化,当异常发生时,提供一定的医学基础后续异常心脏疾病的诊断和治疗(13]。
第三个方法是常规心电图检查。常规心电图是一种很常见的和基本项人体自身的检查程序,它可以快速响应明显的心脏异常,如心律失常、心肌缺血,但它更难以发现一些异常不明显,和一些病人的心脏异常可能是间歇性的;所以,当常规心电图,心脏异常并不总是发现(13]。
最后一个类型是运动板测试。所示的测试中,病人在treadmill-like板行走,但不像一个正常的跑步机,运动的速度和梯度板可以调节,这样医生就可以测试病人的运动负荷与适当的步行速度和使用设备不同的梯度,和病人的心率,血压,心率可以测量期间或之后锻炼(14]。患者的心率、血压和心电图变化是观察运动过程中和运动后(15]。
2.2。心电图异常识别对人类健康的重要性
心脏是人体非常重要的器官,也是非常脆弱的,如果它不关心及时和定期检查,然后心脏问题可以很容易地导致猝死(16]。此外,心脏是人类的生活质量密切相关,随着心脏的每一次跳动都在血。心脏是“泵”,允许从血管营养和氧气到身体的所有部位,因此,人类的身体可以保持正常运行。心电图是一种常见的心脏病的临床试验。这是一个重要的方法来测量和诊断心脏异常的存在。因此,心电图异常的预测和分析识别本身是一个有意义的研究和发展能够提供一些医学基础心电图检查的项目(17]。
总之,在本文中,将形成一个特定的数据集收集心电图数据研究主题相关的内容,然后使用深度学习的方法来估计和预测和分析收集到的数据的准确性。
3所示。材料和方法
3.1。评价指标的心电图异常
在医学上,可以诊断出心脏病心电图是否异常。如果人体经历的症状,如胸闷、气短、胸部不适,或胸部疼痛,通常情况下,应该有一个心电图检查是否有问题。因此,心电图检查确认具有重要意义的诊断患者是否患有心脏方面的疾病。和存在的异常心电图诊断问题可以通过观察指标(18]。
3.1.1。心房扑动与心房纤颤
心房扑动与心房颤动是两个两个症状,产生异常的心脏。在心房纤颤的情况下,这个症状最常见的原因是由于心律失常,没有体现在心电图的纵波,应该出现在一个正常的心脏检查,生产不同形状和大小的一个f反应相反,f反应,医学上也被称为颤波,是最重要的一个指标确定心率市场的存在。此外,如果诊断心房纤颤,心电图的QRS波将不平等的间距和完全不规则和混乱。在心房扑动,如果心率高达每分钟250 - 350次,则认为存在心房扑动。心房扑动是心律失常的心率,其中大多数发生在心房,表现在缺乏的心电图p波和颤振波的存在。与颤动,颤动波也是一个f反应,但它们出现在相同的形状,大小和间距。(1)Preexcitation综合症:过早兴奋引起的心室肌和心电图上表现缩短P-R间隔和一系列的异常扩大QRS波(2)室性心动过速:这种症状是由于心脏器官和结构的变化是一个严重的心脏病。特点是超过心电图,三个或三个以上室性早博,而p波、QRS波的宽度超过0.12生成年代,伴随着二级ST-T变化,以及这些变化的频率是每分钟110至200次。另一种类型的室性心动过速是扭转室性心动过速。顾名思义,室性心动过速显然是与心律失常有关,和扭转室性心动过速是由各种原因引起,导致长期心室复极化,导致心电图q - t间隔长,宽额纵波畸形,所以QRS波群从基线上下翻转(3)块:有许多不同类型的supracardiac块,包括双束支块,第一个学位,第二个学位类型我AV块,左束支阻滞,右束支块,和完整的AV块。Bifascicular块是一个条件是影响纤维的传导,传输电信号的subendocardium心室,导致缺乏心脏功能和特点是QRS波的数量显著高于正常心电图,以及畸变和慢频率。完全房室传导阻滞,另一方面,是由于心室和心房的互补效应单独工作。在这种情况下,大多数特征是心房频率明显高于心室频率,而心室块通常是低于通常的网站和频率跳动每分钟40至60倍;心室频率主要是缓慢的,但QRS波组织基本上是正常的
3.2。深入学习心电图检查
在过去的十年中,深度学习逐步发展更好,开始在各个领域发挥的作用和意义,并在医疗领域同样重要。深入学习了不仅在图像处理和目标检测也在医学领域,它已经应用于促进医学的发展,为人类生活的安全。例如,一些研究人员深度学习方法应用于医学图像分析(19),作者主要改进DenseNet神经网络适应医学成像领域,介绍了U-Net网络原始DenseNet神经网络。改进DenseNet神经网络模型是由预处理病毒训练数据集使用图像增强的原则,也适用于其他病毒样本数据集与处理。可以看出,心电图检查与深度学习不仅有一定的精度,还可移植性的深度学习带来了前景广阔的开发和应用在深度学习心电图检查。
3.3。概述与深度学习心电图异常的识别和预测
深度学习是一种特殊的“机器学习”,这是一个包含在人工智能领域的学习模式。深度学习,它可以代表世界作为一个嵌套的层次结构与特定概念和特定含义通过模仿人类学习和思考的行为,所以它可以获得一个强大的能力和良好的灵活性实现连接每一个未知和已知的概念:通过某些“更抽象的概念和重要方程。培训的过程和连接每一个未知和已知的概念,和连接更抽象的概念和问题通过一定的“方程”,从而导致一个理想模型,更符合人们的预期,可以被称为“深度学习”20.]。在此基础上某些“方程”,我们可以称之为一种算法。下的深度学习人工智能如图1。
对图1,我们可以看到,深度学习是基于人工智能领域的一个分支,有一个“连接点”这个分支之间,有一个我们可以称之为“连接点机器学习。”之间的区别和联系是什么机器学习作为一个“连接点”人工智能与深度学习和本文中讨论的深度学习吗?
深入学习是更好的神经网络比机器学习方法。最重要的区别是,深度学习可以使用算法自动识别的重要特征,我们需要识别和分类。例如,在本文中,心电图异常识别和预测,我们使用深度学习算法来帮助减少卫生保健工作者的工作量,因为训练的深度学习模型可以自动识别ECG异常。所以,在此基础上,它可以减少一些手工输入,使卫生保健工作者来度过他们最重要的工作。
深度学习的历史可以追溯到1980年代,当一个新的知觉机器叫做启发式神经网络出现在1980年代;到1980年代中期,一个叫做RNNs出现复发性神经网络,但深层神经网络下的实际应用是终于意识到在1990年代,等款几乎没有应用由于这种款的实际应用并没有广泛使用由于硬件的限制。深度学习的发展陷入了瓶颈阶段。到本世纪初,深层信念网络的概念,提出了分层pretraining框架同样发达,所以,深度学习迎来了更大的发展,逐步成为众所周知的,不断发展。因此,在视图的优点深具有较强的学习能力,适应性强,覆盖面广,本文将使用相关的神经网络算法在深度学习实现研究心电图异常识别和预测的方法,将实现的方法,认识到不同的目标受众群体的心电图异常基于主观和客观水平层面上,充分探索深度学习在医学领域,并提供一些理论依据和实用价值的后续深度学习可以用在医学领域的其他方面或心电图。
4所示。结果与讨论
从部分3,众所周知,心电图的异常识别,评估和预防是非常重要的人类健康和生活质量;因此,本文将做一些研究和预测心电图异常识别的基于深度学习理论,上述的深度学习算法。然而,在这篇文章中,为了充分考虑人类的特征和以人为本的医疗的概念,我们将评估不同的目标受众的主观方面基于上述客观方面,即。,我们将进行上述研究客观地调查了人们通过问卷星,然后组织和分析结果实现的客观和主观分析心电图异常检测下深度学习。心电图异常检测的客观和主观分析与深度学习是实现。
4.1。心电图异常与CNN网络的预测
深度学习和机器学习数据处理是相似的,和CNN网络下的神经网络是一种深刻的学习。从本质上讲,深度学习也是一个神经元模型,即。,它是由许多基本神经元,每个方程所示(1)。
我们可以看到从方程(1),表示特定的输出神经元模型,表示偏差值或偏差函数,是激活函数,w1 w2,…,周表示权重。一个神经元的基本框图可以根据方程(1)如图2。
从图2神经网络的基本框图,可由三部分组成:输入x1, x2, x3,……、xn激活函数,输出。深入学习算法本质上是一层复杂的网络结构,和本文的基本框图这个神经网络为基本,使一些扩展形成更复杂的深度学习神经网络模型与可接受的精度在心电图异常识别的范围。在神经网络中,不同的激活函数通常是选择根据不同的任务,其中更常见的激活函数如下。
上面的公式,公式(2tanh)代表了双曲正切函数激活,激活函数,很明显看到,函数是奇函数,设置它的值范围负无穷到正无穷,但根据函数的公式的定义:在函数,可以把所有的输入输出值之间的距离(1,1)和函数作为激活函数,它不仅可以实现神经网络的非线性变化的函数曲线是光滑的,并且可以得到每一点;所以,它可以解决一定的收敛问题通过将这个函数应用到神经网络作为激活函数。对方程(3),它是一种特定的公式乙状结肠函数。根据相关的数学理论,可以发现,这个函数的输出值之间的范围(0,1),即,所有的输出值是整数。乙状结肠激活函数和双曲正切函数,同样的光滑曲线,任意点价值可以派生。然而,双曲正切函数相比,乙状结肠函数的平均值不为0,并且都是容易梯度消失的问题。其功能的特点将导致神经网络的收敛变得缓慢,这是非常不利的医学领域需要急救的病人知道某些诊断条件进行治疗;所以,本文不推荐使用上面的两个函数作为激活函数。
对方程(4),ReLU激活函数的数学公式表达。中文名字是线性整流激活函数,它是一种激活函数常用的深层神经网络模型。ReLU函数,它可以描述在两个部分:一个用于大于0,一个用于小于0,在那里值小于0,ReLU函数的输出是0;在值大于0,激活函数的输出输入。通过查看公式(4),我们可以看到激活函数没有饱和区像乙状结肠函数,这意味着它可以更好地解决梯度消失问题带来的乙状结肠函数和双曲正切函数,因为由于函数的特点,梯度是大于0的一部分设置为1;所以,它有效地有能力解决问题带来的公式(2)和公式(3)。失踪的梯度的问题有效地解决方程(4)。此外,激活ReLU函数值计算起来很简单,只有一个合理的阈值需要得到适当的激活值,这可以简化计算公式的指数水平的问题像情商。2)。更重要的是,ReLU函数具有更快的收敛速度和操作速度比上面两个函数;对于本文,ReLU函数将被用作激活函数的神经网络。
的基本模型深层神经网络的神经元激活函数摘要上面描述的使用,并通过比较三种不同的激活函数的优缺点,最终决定使用ReLU函数作为激活函数的神经网络。为了获得心电图异常识别的结果预测,本文决定使用CNN神经网络作为基础训练模型,本文在比较不同的神经网络模型在深度学习,具体框图如图3。
从图3可以看出,CNN的基本模型神经网络实现本文心电图异常识别和预测可以由两个卷积层,两层池,一个输出层,一个输入层和一个输出层,和一个softmax层。汇聚层的主要功能是处理高维特征的心电图从卷积获得层从高维到低维的方向,而卷积层用于从心电图中提取许多高维特性的充分利用卷积操作并将它们传输到汇聚层合用一个合适的格式。本文适当的设置和处理卷积操作的关键因素之一的正确预测心电图异常。更多的视觉描述的CNN网络,CNN的识别分类结果可以看作是图所示4。
从图可以看出4,左边的盒子可以抽象地理解为某考生的心电图情况,尚不清楚是否有任何异常心电图检查时心脏。两个橙色的亮点表明有一定问题的核心主题,并需要进一步检查确定问题是什么了。图4下的心电图异常识别预测是一个抽象的图深度学习。图中最右边的点意味着有一些问题的核心主题。
4.2。仿真结果的整理、分析和研究的结果
上述讨论和一些培训后CNN网络模型,神经网络模型适用于心电图识别预测本文。总之,为了提高本文在心电图异常识别的准确性,本文的目的,实现从主观和客观两个方面,本文的模拟结果和相关研究成果现在组织和分析。为了突出本文的意义和重要性不同的目标群体意识的心电图检查、问卷调查对不同年龄组为此,和老年人主观调查集团不太可能使用手机使用问卷调查。调查结果对心电图的基本意识和是否有必要进行心电图检查一年到头都在图所示5。
从图可以看出5,心电图的基本知识问卷调查,进行常规心电图检查的必要性为不同年龄组和线下问卷。上述调查数据显示,调查分为五个年龄段:22岁以下,23岁和35岁之间,35 - 50岁,50岁以上,共有20人在每一个年龄组。上述数据表明,最大数量的人同意需要35 - 50岁,心电图筛查和最少同意23岁和35岁之间;最大数量的人同意需要心电图筛查35至50岁,但最少同意心电图筛查的必要性是22岁以下。因此,很明显,规律性的心电图筛查和相关的知识水平不同的年龄组。基于上述结果,本文使用这个免费CNN深层神经网络进行心电图检查上面的受访者,在考试后,他们被发送到深学习网络模型进行训练。
从图6批处理大小设置为80时,a1的学习速率为0.0001,a2是0.00001,和a3是0.000001。通过观察图6学习速率时,我们可以得到在a1的价值,模型的训练精度是最高的,平均精度可以达到84%左右,最低的准确性是a2曲线,这条曲线波动的准确性在很大程度上,平均准确率只有80%。为了使模型达到最优值,精度也不同批量大小进行了测试,结果如图所示7。
从图可以看出7,水平坐标代表不同批量大小的值20,80年,120年和150年,分别。首先,解决120批大小的数据,我们可以得到a1曲线的准确率达到86%,这是高于批量大小其他值时的准确率;a2曲线,我们可以发现准确率最高的是只有当批大小为150 84%;修复垂直坐标,我们可以发现,无论怎样的价值的准确性a1曲线,它是高于a2曲线不管批大小的值,高出大约1.5%。可以看出,神经网络模型的准确性是最高当批大小是120,和学习速率是a1,即。0.0001点。与此同时,为了更充分地证明本文的研究的全面性和考虑以人为本的精神理念,在满意度调查进行了心电图检查对上述不同年龄的人,结果如图所示8。
从图可以看出8调查的人数是一样的上面调查的人数,每个年龄组的20人。这种差异的原因是,大多数的人在心电图检查有心脏病是35 - 50岁,虽然年轻的年龄组认为这也太早常规心电图检查。的年龄段更愿意在未来是常规心电图检查之间的年龄在35到50年,显示我国健康问题的重要性,而其他年龄组不抵抗常规心电图检查,这充分显示了不同年龄段的意愿定期健康检查。
5。结论
心电图异常识别的预测和分析可以为人们提供一个更全面的了解他们的健康,也是对自己的生命安全负责的一个标志。心电图异常的识别是一个重要的方法来确定是否心脏健康,心脏和随后的预测也是一个重要倡议对人类健康。在本文中,我们首先分析城市化和压力的影响人们的健康,甚至心,那么复杂的心脏检查不同的方法和相关指标,并完成建设和CNN神经网络模型的训练从深度学习理论,和最后的实验结果表明,心电图检查对人们的健康是不言自明的。最后的实验结果表明,心电图检查是一个平凡的人们的健康,和CNN-ECG异常识别预测网络模型提出了具有很高的准确率在心电图处理和分析。
数据可用性
使用的实验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的这方面的工作。
确认
本研究由厦门科技计划支持Industry-University-Research合作创新项目:基于超低能耗的DSP嵌入式声音处理系统(3502 z20163009)。