文摘

在本文中,我们研究如何将智能融入到以人为中心的物联网边缘检测心律失常,甚至心脏病常与发病率和死亡率。我们提出一个分类算法基于intrapatient卷积神经网络模型和interpatient关注残余网络模型自动识别心律失常的类型的边缘。的不平衡分类MIT-BIH心律失常数据库需要使用的算法,我们切和重叠原始ECG信号同质化心跳组不同类型,然后提出的预处理数据被用来训练两个网络模型;结果达成总体准确率为99.03%,一个F1值0.87,分别。该算法模型可以用作远程实时诊断工具E-health系统在下一代无线通信网络。

1。介绍

据报道,世界卫生组织心血管疾病的主要原因是世界上最高的死亡率,和心律失常是最常见的1]。心律失常是由心脏的传导系统异常。它们可以慢慢地,迅速,或不规则的心跳,甚至会危及生命或nonlife-threatening。Nonlife-threatening心律失常需要进行长时间的测试,以确保可以早期发现心律失常的病理原因。心电信号是一种生理信号,可以记录和反映心脏的状况,及其简单、无创的优势广泛应用于心律失常的诊断。心血管疾病的早期阶段,心律失常往往伴有心律失常的出现。因此,早期诊断和预防干预治疗的患者是非常重要的。

传统上,心律失常的诊断依赖于一个心脏病专家的能力来识别特定类型的心律失常的电信号波形的分析收集的心。然而,由于心律失常的复杂性和突然性的特点,心电图信号检测在短时间内不可能准确反映出真正的病人的心脏活动。ECG信号的记录需要很长一段时间,监测心律失常类型的识别通过人工方式费时又费力,而且很容易错过检测。改善心律失常的阅读效率,实时监控通过自动分析技术可以发挥极大的辅助作用的诊断心律失常。6 g无线通信网络是认为它应该是无处不在的,以人为中心,完整的乐队,强烈的安全,和聪明2,3),提供分布式、低延迟和可靠的机器学习无线网络边缘(4,5]。

在机器学习方法中,心律失常诊断算法的过程通常包括三个主要步骤:预处理、特征提取和分类。特征提取主要诊断心律失常领域几十年来,包括特征提取基于小波、形态、和统计数据(6]。小波变换将信号分解成不同尺度的组件(7)和光谱的时间定位组件可以通过小波分析。一些研究在分析心电图信号使用小波提取的功能(8]。在文献[9),随机矩阵提取心跳的形态学特征,规范化,每一列、每一行被离散余弦变换提取的投影矩阵。心电图的统计特性,信号分析通常是使用心电图信号的时域特征值计算,比如能源,意思是,峰度、偏态,最大和最小10,11),这些特性提供了一个有效的方法来分析的复杂性,和不同类型的ECG信号的时间序列可以帮助区分类型的心律失常患者,获得更好的分类性能。然而,这种心律失常诊断算法的优点和缺点通常依赖于特征提取阶段,和诊断模型的健壮性仍然是有限的由于复杂的特征提取过程。

近年来,端到端深学习方法展示了出色的表现自动特征提取,利用卷积神经网络模型的趋势和心律失常诊断越来越明显。文献[12)提出了一种34-layer神经网络模型,不需要任何复杂的预处理和特征提取步骤。使用的数据集是公开数据集的500倍。心律失常的分类具有很高的诊断性能类似于心脏病专家。虽然现有的为这一领域的工作奠定了坚实的基础,由于长时间记录心电图信号,信号质量低、病理原因的多样性,和极其稀缺的数据集,如何提高心律失常诊断结果的鲁棒性仍然是一个挑战。

心律失常的诊断最有效的工具之一是心电图的检测信号,形态特征和频谱的一个心跳可以提供有意义的临床心电图的自动识别的信息。然而,ECG信号的形状和时间特点不同病人之间非常不同的在不同的物理环境,导致心电图信号分类的问题还没有完全解决。使用心电图诊断心律失常的主要问题是,不同的患者有不同的心电图形状虽然他们罹患同一种疾病,和两种不同的疾病可能有大致相同的ECG信号的特征。这些问题带来一些困难的诊断心脏疾病(13]。大多数文献中算法评估基于intrapatient范例而不是interpatient项目。虽然这些算法可以获得很好的精度通过评估intrapatient项目(14,15),由于个体差异,性行为客观存在,结果不是特别可靠。所以,它是最符合实际的应用场景,以避免训练数据和测试数据来自相同的样本。此外,当样本数据的数量在心律失常数据库稀缺和类别的数量是不平衡的,现有的心律失常诊断算法显示表现不佳识别分类与相对少量的数据时,其灵敏度和精度都很低(16];所以,心电信号的自动分类仍然是一个困难的问题。

为了应对上述挑战,我们使用MIT-BIH心律失常数据库中的数据(17)提出基于intrapatient与卷积神经网络模型来模拟心电图记录在正常打败 ),室性过早搏动( ),右束支块( ),左束支阻滞( ),和基于interpatient关注残余网络模型(18,19正常( ),心室异位( ),心室异位( ),融合( ),和未知的打败 )五种分类。与现有文献中的结果相比,我们的方法可以获得较好的结果。这项工作的主要贡献如下:(一)我们提出一维卷积神经网络模型对心跳intrapatient在四类进行分类(b)我们建议把注意力机制的残余网络模块与interpatient消融研究提出的网络模型(c)采用切片和重叠处理提高原始ECG信号的各种类型的数据量可以平衡

本文的其余部分安排如下:部分2介绍了心律失常的研究工作。部分3描述所使用的数据集和数据的预处理。部分4描述了提出了两个网络模型结构。部分5介绍了训练网络模型的评价指标并分析结果。部分6总结了整个论文和前景。

2。相关工作

心律失常的诊断的算法过程基于深层神经网络可以大致分为以下步骤:心电图数据预处理和心律失常的分类。算法流程图如图1。

2.1。预处理

心电图信号通常是一个低频微弱信号收集的心电图机电极连接到人体的表面。信号频率通常是0.05和100赫兹之间,这是极其容易受到外部噪音。数据预处理步骤的目的是减少这些噪音。典型的噪声类型如下:(一)基线漂移:它属于低频噪声(0.15 -0.3赫兹),这是噪音引起的电沉积的变化引起的工件或病人的呼吸运动(b)权力干扰:主要的噪声信号的频率50/60HZ干扰产生的电力系统,及其带宽低于1 hz(c)EMG干扰:高频噪声信号(30 - 300 Hz)以外的肌肉收缩产生的心脏

心律失常的分类过程,不同程度的噪声信号对病人的诊断有很大的影响,减少诊断的准确性。因此,有必要选择合适的预处理方法对噪声去除(18]。

2.2。基于现有深度学习的方法

在深层神经网络方法中,分类器可以自动提取功能需要识别类型的心律失常心电图数据预处理步骤。目前,概率神经网络,模糊聚类神经网络和递归神经网络用于心律失常进行分类。概率神经网络前馈网络,这是源自于贝叶斯网络和Fisher判别分析。文献[19)认为,概率神经网络模型比传统的更健壮的和有效的计算模型。在模糊聚类神经网络的结构,模糊聚类的神经网络层由层和多层感知器的工作原理。当模糊层执行的初始操作分类任务中,神经网络层作为最终的分类器,最后模糊聚类用于提高性能的神经网络分类器20.]。近年来,模糊聚类神经网络被应用在一些研究[21,22]。然而,在文献[23),提出了一种混合模糊神经网络方法来减少多层感知器的问题,提高其泛化能力,减少训练时间。是一种神经网络结构与递归神经网络的闭环神经元之间的连接(24]。这种神经网络可以实现高度非线性动态映射和被用于一些心电信号分类研究[25,26]。

3所示。心律失常数据预处理

3.1。心律失常的数据集

本研究使用MIT-BIH心律失常数据集(27]。基准数据库是由麻省理工学院,波士顿贝斯以色列医院,马萨诸塞州,美国,1980年,开始释放。它是第一个数据集用于评估心律失常检测器的性能,已广泛应用于一些著名的研究(28,29日]。每个记录的数据集是由两个或两个以上的心脏病专家独立标注和确认,和波的峰值或局部极值的心跳。

3.2。分割的Intrapatient心跳

心电图的QRS波信号数据,然后提取单一的心跳节奏。首先,使用15-25HZ带通滤波器获得QRS乐队,然后执行两面倾斜处理(30.)成为一个单模山峰组成的信号。预处理完成后,心电图信号位于QRS波通过一种自适应阈值。QRS波作为中央参考,100年和150年前后采样点选择,分别为粗糙的拦截。在这个时候,心跳击败了拦截的长度是250个采样点。心电图信号分为正常心跳(74962),过早心室收缩(7034),右束支块(7254),和左束支阻滞(8068)。自四种心跳极其不平衡的数量,每种类型选择只有7000细分后心跳,拦截在模型训练,然后随机将他们划分为训练集和测试集的一半。最后,相对应的样品中的第一个14000个索引减少样本训练集,剩下的作为测试集。

3.3。心电图Interpatient序列处理

本文四个记录包含节奏MIT-BIH心律失常的心电图信号已被删除数据集。该部门方法采用interpatient,剩下的ECG信号数据分为训练集DS1和测试集DS2。DS1和DS2包含22个记录混合传统的和复杂的心律失常,每个数据集有50000心跳6,31日]。

由于严重的类不平衡在本文中使用的数据集,尤其是训练集数据的不平衡很容易导致网络模型学习无效甚至无法收敛。为了解决这个问题,本文采用切片法和ECG信号的截取数据,每个拦截段的长度是5 s的数据量是增加了之间的重叠部分缓解类别不平衡的影响。以最不重叠的类别为基准,其余片可以估计的重叠长度由以下公式: 在哪里代表ECG信号的长度重叠,代表了舍入,代表每个切片的长度, 代表了当前类别的样本数量,和代表了最大的类别的样本数量。在训练集之后,DS1处理根据公式(1)。不同类型的数据的数量基本上达到一个平衡类型。每种类型的数量后片拦截和重叠处理表所示1。最后,拦截ECG信号进行小波变换基于小波系统[db630.), - - - - - -分数标准化之前重新采样。测试集DS2不做重叠处理。

4所示。深入学习网络模型的体系结构

4.1。结构Intrapatient卷积网络模型的范例

本文提出了一个五层卷积神经网络模型与正常节拍(心律失常的分类 ),早产儿脑室打败 ),右束支块( ),和左束支阻滞( )基于intrapatient。卷积神经网络的本地连接共享和重量减少网络参数的数量,降低模型的复杂度,并减轻模型过度拟合的问题,取得了巨大的成功在许多领域,如计算机视觉。网络模型的结构如图2。

本文提出一维卷积神经网络模型由2卷积层,2池层,和1完全连接层,每一层的卷积层将通过RELU激活函数卷积后操作。第一层的卷积层执行卷积操作输入单一的心跳节拍提取当地特色。卷积核的大小设置为 ,和特征图的数量从4开始。卷积核的大小设置为卷积第三层 ,和特征图的数量是8。当卷积操作在执行卷积层,卷积的运动步内核设置为1。在第二和第四层,平均执行池操作,提取关键特征信息从本地功能,和冗余特性被丢弃。池的步长设置为5和3,分别。网络模型的具体参数如表所示2。

4.2。注意结构残余Interpatient范式的网络模型

本文剩余网络模块和注意力机制相结合形成了关注剩余单位,并注意堆叠的残余网络模型关注剩余单位进行消融研究用于interpatient范例。网络模型的结构如图3。

本文使用深度学习框架Keras和TensorFlow作为后端构建模式32]。残留网络中卷积核的大小 ,特征图的数量从12开始,每一层的重量添加L2正规化,辍学概率值设置为0.5 (33,小批处理的值设置为128,学习速率的初始值设置为0.1,和随后的逐步变化。因为动力优化器在ECG信号分类问题具有较强的泛化能力,优化损失函数,本文采用随机梯度下降法和动力优化器。卷积的大小注意模块的内核中引入网络模型 。网络优化模型是通过调整卷积层残余网络的数量和卷积内核在关注模块的数量。

4.2.1。准备剩余网络模型

剩余网络由剩余模块的堆栈,并显示性能优越在计算机视觉等领域的应用。剩余模块的原理图如图4。流程可以执行数学计算如下: 在哪里是剩余的输入模块, 是剩余函数,是重量参数对应于剩余函数,然后呢是剩余的输出模块。

心律失常的诊断算法,传统的神经网络或多或少会传输信息时信息损失和浪费。它也可能导致梯度消失或爆炸,使深层网络模型无法训练。和剩余块内的残余网络使用跳连接直接通过输入信息输出绕过,保护信息的完整性,并优化梯度消失的问题引起的神经网络的网络深度增加。

4.2.2。注意机制

注意机制是一种数据处理方法在机器学习。它可以被理解为一种机制来分配资源基于注意力的重要性对象最初分配资源。的核心思想是找到数据基于原始数据然后关注一些重要的特性,抑制不必要的。因为注意力机制的优点,本文提出了将空间关注模块引入残余网络。

空间关注模块(34,35)使用功能之间的空间关系来生成一个空间注意力地图。关注的重点是“地方”的功能是信息的部分的地图。模块的原理图如图5。特征映射用作空间注意的输入模块,和之后的图吗5,二维空间注意力地图可以获得。这个过程可以概括为 在哪里意味着平均池,意味着最大的池,意味着卷积操作的卷积核的大小 , 是乙状结肠激活函数,代表element-wise乘法,精确的输出经过空间关注模块获得。

4.2.3。烧蚀研究

在本节中,我们进行烧蚀实验更好地理解添加一个模块(注意的影响36]。本文使用18-layer残余网络为骨干的架构。通过添加关注模块剩余模块,网络可以更有效地专注于ECG信号的重要信息的一部分。最后,分析和比较消融实验的结果,所有的实验都在同一台机器上执行相同的参数设置。

5。实验和结果分析

5.1。模型评价指标

在本文中,我们遵循分类标准的美国发展协会医疗仪器(AAMI) [37),是指其他文献评价方法MIT-BIH心律失常的心电图信号分类数据库,使用精度(精度)和灵敏度(灵敏度),预测精度(+),召回率(回忆),F1值,和混淆矩阵来评估网络模型35]。最后评价指标如下: 在哪里是一个真正的阳性样本,是一个真正的负样本,是一个假阳性样本,是一个假阴性样本, 是样品的总数。

6。结果分析

6.1。Intrapatient模型性能

端到端网络建模的深入学习方法避免了手动提取数据的特征,和网络可以执行自动特征提取分类。的中心的跳动心电图信号通过一个五卷积神经网络模型。连续hyperparameter调整后,整个四种类型的分类精度为99.03%,和正常的打特定的四种类型( )(如下:99.88%,室性早博 ):97.83%,右束支块( ):99.12%,左束支阻滞( ):99.29%;结果如图所示6:

将所有模型算法提取的心跳,然后将训练集和测试集,不考虑个体之间的差异,但这似乎是有点不符合实际的场景。带安全标签的数据时,获得了来自一些老患者,在实际场景和模型算法需要预测新病人基于这些数据的规则。此时,将反映个体差异的影响,这使得它很容易模型我们训练有素的老病人数据有效地推广新病人的数据,与个体差异会导致模型性能的恶化。

6.2。模型性能Interpatient

通过烧蚀研究MIT-BIH心律失常的数据集,两个网络模型的结果如表所示3。表3显示模型,介绍了注意机制在剩余网络比剩余网络模型具有较高的精度,与F1值增加了3%。在剩余的网络模型中,分类结果的敏感性正常心跳和室上的两类异位心跳都在90%以上。比较关注残余网络模型和剩余网络模型,正常心跳的分类结果的预测率增加了10%,但室上异位心跳的分类的敏感性下降。分类结果的敏感性和预测率室性异位性心跳和融合心跳增加了16%,31%,15%,和19%,分别,但无论是模型分类未知的心跳。从烧蚀研究的结果,可以看出,注意力机制引入残余网络大大提高了诊断的结果正常的心跳,室上异位的心跳,也融合心跳和增加网络模型的鲁棒性。

消融后的混淆矩阵的两个模型研究如图7。观察表明,注意力机制的引入后残余网络模型,预测 , ,和心律失常的分类一直很大的提高。其中,有许多相互错误的预测中 , ,和类型。所以,它可以猜测这三个类别的波形图的心跳更相似。

由于原始数据的量类别的MIT-BIH这篇论文使用的数据集很小,不能区分类别。在许多文献,使用这个数据集,它基本上是没有区别的。一些文献中的准确率超过90%,但类别的平衡是不好的。例如,在文献[34),准确率达到94.61%,但Se类别只有20%,P +只有0.16%,P +的类别只有0.52%。在文献[9),准确率达到93%,但是在五类,和类别不能区分,类别Se只有70.8%,类别Se和P +分别为29.5%和38.4%,分别。

7所示。结论

由于本文所使用的数据集非常不均类别中,重叠处理时使用预处理数据,从而提高数据的数量在每个类和优化提出的网络模型过度拟合问题。此外,相比之下,一个心跳,任意段拦截后获得的样本数量有限的数据复杂得多,这使得网络模型的耦合问题QRS检测算法,使心电图诊断过程更简单,更广义的信号。关注残余网络模型提出了极大地提高 , ,和类型的心律失常,优化网络的性能模型,提高了模型的鲁棒性。研究结果提出了改善心律失常诊断的准确性有积极意义,但有限的少量数据,它有一定的影响的研究。有必要增加数据集的数量,并试图结合其他神经网络结构探讨心律失常诊断算法。请注意,我们将考虑进一步的工作到设备间(D2D)和索引调制系统(38- - - - - -40),这可能会自动和自适应监测心律失常情况。

数据可用性

所有数据、模型或代码生成或使用期间的研究可从相应的作者的请求。(王记,电子邮件:(电子邮件保护))。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作在一定程度上支持中国的国家自然科学基金(61871645,J2024023)。广州大学大学生创新训练计划(省级)授予S202011078027。