ECG英文综述

ECG英文综述

Review of ECG detection and classification based on deep learning: Coherent taxonomy, motivation, open challenges and recommendations（基于深度学习的心电图检测和分类回顾：连贯分类、动机、开放挑战和建议）

在 AF 的自动检测中，一些检测器可以根据 p 波缺失或 RR 间期变化（R 是心室除极开始的符号）检测 CVD。 Dash（2019） 提出了一种基于心跳间隔时间序列的随机性、可变性和复杂性的AF自动检测算法。该方法的形态特征由小波变换和独立成分分析提取特征组成。 小波特征由四阶近似系数和三阶和四阶细节系数组成。 独立分量分析的提取特征包括一组从观察信号中恢复的独立源信号。

尽管已经开发了各种特征分类器，但这些方法大多涉及手动提取和传统分类。为了提高准确性，这些方法必须花费大量时间来确定特征的最佳组合。 此外，该过程需要通信领域的广泛专业知识。 因此，特征提取或选择对非医学研究人员甚至该领域的研究人员都构成了挑战。

特别是，挑战来自几个方面。 首先，不同患者的心电波形和时间特征在基本心电模式下有所不同。 病人有不同的心跳波形，即使是同一个病人，在不同的时间也可能有不同的心跳波形。 其次，心率变异性的处理也给心电信号的分类带来了问题，因为心率涉及的变量太多，包括生理和心理状况，如压力、兴奋、运动和心电特征的变化（如 RR 和 PR 间期）。 因此，一些研究人员已经开始使用神经网络来自动提取特征和心跳。

Escalona-Moran（2015）提出了一种基于二维心跳卷积的神经网络作为分类方法。 在该方法中，研究人员将一系列相邻的三个心跳转换为二维耦合矩阵输入，使卷积滤波器能够轻松捕获相邻心跳的连续波形以及心跳之间的相关性。 该方法达到了76.8%的最终灵敏度，SVEB的阳性预测值为74.0%，VEB的阳性预测值为93.8%。

Salem（2018）开发了一种基于CNN的自动AF检测方法。 AF 特征会自动学习并应用于分类模块。 该方法简化了特征提取过程，不需要专家特征工程来确定特征的适用性和关键性。

zhang（2017）提出了一种多尺度CNN（MCNN），它在尺度变换输入的基础上对输入信号进行时间尺度变换和AF检测。模型中 MCNN 的深度与检测性能密切相关。

尽管上述方法在解决特定的 CVD 检测问题方面在实验上是有效的，但它们的良好性能通常是基于精心挑选的干净数据或少量测试人员，因此它们的适用性通常受到限制。因此，实现模型的泛化能力以从有限的单导联心电图记录中可靠地检测 CVD 仍然是一个相当大的挑战。

基于深度学习的心电检测与分类算法及模型的开发与设计

算法和模型的开发与设计，分为 5 个子类别。 专注于基于深度学习的心电图自动检测和分类算法或模型的设计和开发。

1. 提高模型识别的整体性能

   在[13-16,75,77,84,90]中，研究人员专注于深度学习结构的转变，以提高模型识别能力。 一些研究人员致力于模型算法的设计和优化，以实现提高模型整体性能的目标，例如[17-22]。 其他研究人员专注于解决特定问题，例如在 [23] 中，研究人员通过使用改进的去噪自编码器来减少分类错误并提高系统性能，提出了一种对 ECG 信号进行无监督分类的方法。在 [91] 中，通过将一维数据转换为二维 (2D) 图像提出了一种鲁棒算法。 该算法可以在存在环境噪声的情况下对心电信号进行准确分类。一维和二维模型的分类准确率分别可以达到97.38%和99.02%。 [92] 中提出了一种集成迁移学习和 CNN 的指尖心电图识别系统。 该系统无需复杂计算即可显着提高训练速度。 实验表明，在某些特定数据集上验证准确率接近 100%。

2. 新方法应用

   这些新方法包括使用脉冲无线电超宽带雷达数据作为附加信息的移动心电图监测。其中一种新方法可以在 [4] 中找到，其中使用基于 CNN 的多生理信号心跳检测算法来提高分类性能。 分类方法使用基于心电图形态和心跳间隔的特征集。该方法首先根据心电图形态、心跳间期和RR间期特征对12个特征集进行比较。 然后，设计了两个线性判别分类器来处理不同通道的特征，并将它们的结果结合起来得到最终的发现。 实验结果如下：敏感性为75.9%，室上性异位搏动（SVEB）的阳性预测值为38.5%，室上性异位搏动（VEB）的阳性预测值为81.8%。 这种方法代表了当时最先进的技术。 但是这种方法需要很长时间才能找到最优特征，并且线性判别器（LDs）不能进一步提取深度特征，限制了这种方法的应用。

   通过将一种新的基于图像的方法与深度学习技术相结合，减少了心电监护软件的误报，从而提高了对显着 ST 段变化的检测精度[25]。 在 [26] 中，多层感知器和 CNN 相结合来识别心律失常。 一种新的深度学习框架（深度心电图网络）只需要使用超短期原始心电图信号作为输入来识别压力状态[27]。[28]中提出了用于提高临床医疗机构心电图分析准确性的卷积双向循环神经网络深度学习模型。 在[93]中，提出了一种模块化的一维卷积神经网络。 该方法通过分别部署推理模块和训练模块来提高执行效率。实验表明，当该模型应用于远程病人监护系统时，其整体响应时间减少了 25%。

3. 模型或算法的特定优化

   在 [29] 中提出了一种端到端的深度学习 ECG 特征点检测算法，称为区域聚合网络 (RAN)。 RAN 集成了特征提取和分类回归过程来优化系统。 [30] 中提出了一种基于相对位置矩阵和 CNN 的新深度学习框架，以解决和优化时间序列分类 (TSC) 问题。

4. 深度学习在心血管疾病检测中的应用

   [31] 中提出了一种基于声学指纹的新检测框架。 该框架用于识别 S1 和 S2 监督分类器。 [9] 中开发了一种基于小波域的新型 ECG 生物特征识别方法，以克服患者之间数据分布的差异。 [9] 中的工作提出了一种多尺度 CNN（MCNN），它在尺度变换的基础上对输入信号进行时间尺度变换和 AF 检测。 他们模型中 MCNN 的深度与检测性能密切相关。[32]的作者提出了一种基于深度学习概念的半监督方法，将高斯-伯努利深度信念网络（DBN）与主动学习相结合。 为了缩小 ECG 专家解释的差异，在 [33] 中开发了一种计算机辅助诊断 ECG 系统。 [34] 中提出了一种新的分类器。该分类器的主要功能是对正常和异常的单导联心电图信号进行分类，以模拟心脏病专家的诊断。

   为了促进多维信号的处理，[35] 提出了一种针对阵发性 AF (PAF) 患者的筛查系统。该筛选系统使用 CNN 直接从 ECG 时间序列信号中学习手动特征。 在 [36] 中，通过将神经网络应用于 12 导联心电图，开发了一种对室性心律失常进行分类和定位的方法。在 [4] 中，提出了一种基于 RR 间隔散点图和 RR 间隔变化的深度 CNN 多尺度融合方法来提高 AF 的检测性能。 结合支持向量机（SVM）结构，在[37]中提出了一种改进的CNN算法（CNN-SVM）用于AF患者的分类。 在 [38] 中，开发了一种基于长期心电图分析的心律失常检测深度学习方法，以快速有效地对心律失常进行分类。为了对阻塞性睡眠呼吸暂停和低通气 (OSAH) 进行早期筛查，[39] 中构建了基于 CNN 和单导联心电图记录的深度学习架构，以对 OSAH 进行多级分类。 在 [40] 中，实现了一种 CNN 算法来自动检测正常心电图。 在[41]中，研究人员设计了一个具有四个卷积层、四个池化层和三个全连接层的CNN结构； 然后，用心电信号的2s和5s段来诊断冠心病。在[43]中，研究人员实现了基于深度卷积神经网络（DCNN）的新的冻结步态检测系统。 [44] 提出了一种新的基于 ECG 信号的心律失常检测方法，该方法基于特征提取和分类步骤的创新设计。 [45] 中的研究团队设计了一个计算机辅助设计 (CAD) 系统，通过使用八层 DCNN 来检测心脏颤动和抖动。

基于深度学习的心电检测分类可穿戴设备及硬件的开发与设计

智能可穿戴设备和硬件的开发，分为 3 个子类别。

1. CVD检测相关的智能穿戴设备

   第一个子类别涉及智能可穿戴设备对心血管疾病的检测和分类。为了提高心电图的识别效果，在[46]中设计了一种识别系统，通过使用CNN和主动学习对可穿戴设备上的心电图信号进行分类。 该系统在麻省理工学院（MIT）-波士顿贝斯以色列医院（BIH）心电图数据库中的准确性和特异性超过 94%。在 [47] 中，CNN 被用于在便携式监测设备上检测由心率变异性 (HRV) 引起的急性认知压力问题。在超短（10 s）时间窗口内，该设备将 CNN 的检测错误率降低到 17.3%。 该结果优于六种传统 HRV 方法的性能。 在 [48] 中使用一大组 Photo Plethysmo Graphic 信号训练了 DCNN； 并在便携式设备上对噪声、窦性心律、异位心律和心房颤动进行了自动分组实验。 在 [49] 中，提出了一种结合 CNN 和 QRS 检测的心电图识别方法，以将可用和不可用的心电图片段与使用可穿戴心电图贴片测量的信号区分开来。在 [83] 中，开发了一种结合了卷积和循环神经网络的 MI 分类器，用于仅具有单个导联记录的可穿戴 ECG 设备。 它达到了92.4%的敏感性、97.7%的特异性、97.2%的阳性预测值和94.6%的F1评分。 [94] 中的工作提到，对于识别单元，SVM 和 CNN 的混合特征统计用于可穿戴 ECG 设备来预测 AF。实验使用 PhysioNet/computing 数据库进行，最终平均 F1 得分为 84.19%。 它比使用相同指标应用于相同数据集的其他最先进的方法表现更好。

2. 心电图噪声检测和抑制

   第二个子类侧重于 ECG 信号中的噪声检测和抑制。在[50]中，提出了一种基于改进的修正频率切片小波变换（MFSWT）结合CNN的可穿戴心电图噪声抑制方法。 在5个标准子集交叉验证的实验条件下，该方法的分类准确率为86.3%，高于连续小波变换和人工神经网络的分类准确率。

   [51] 开发了一种用于正常窦性心律 (NSR)、AF、其他心律 (O) 和单通道短心电图段 (9-60 秒) 的噪声的自动分类算法，用于可穿戴和手持式心电图上的 AF 筛查设备。

3. 心电信号压缩

   为了促进可穿戴设备和移动平台之间心电信号的共享和传输，在[52]中设计了一种新的深度卷积自动编码器（CAE）模型来压缩心电信号。 该模型有 27 层，分为两部分：编码器和解码器。 编码器的主要任务是将信号减少为低维向量。 解码器的主要任务是重建信号。 该设备在一个实验数据集上进行了测试，该数据集由来自 48 名临床患者的 4800 个心电图片段组成。 模型的最终压缩率（CR）为32.25，平均百分比均方根差为2.73%。

基于深度学习的生物特征识别中心电检测与分类的开发与设计

心电图在生物识别与检测中的发展，分为两个子类别。

1. 心电图在生物识别中的应用

   第一个子类涉及 ECG 的基于深度学习的应用，作为生物特征识别和检测的独立工具。 在 [53] 中，提出了一种深度心电生物识别方法，称为基于 CNN 的心电生物识别，以提高基于心电图的生物识别系统的综合性能。 所提出的深度心电图模型使用二进制模板在基于所有测试案例的模拟实验中取得了显着的准确性。

   [54]中提出了一种将心电信号作为生物特征并利用广义Stransformation和CNN的新型人体识别认证系统，用于访问控制和信息安全。 在三个数据库上进行了模拟实验，包括正常受试者、AF 患者和嘈杂的心电图。识别率分别达到99%、98%和99%。

   [55] 提出了一种基于高效特征检测算法和 CNN 的心电信号认证系统。 该设备使用来自德国联邦物理技术 (PTB)、Check Your Bio-signals Here Initiative 和 MIT-BIH S.W. 的记录进行了测试。 Chen et al.Biomedical Signal Processing and Control 74 (2022) 103493 7 心律失常数据库。 使用来自这些数据库的双导联数据，该模型能够验证 ECG 信号，错误率分别为 1.63%、4.47% 和 4.86%。 此外，由此产生的平均准确度、灵敏度和阳性预测分别为 97.92%、96.96% 和 98.79%。

   为了使用 ECG 信号进行生物特征识别，在 [56] 中设计了一种基于 ECG 的人体识别系统，该系统使用二阶差分图 (SODP) 进行连续样本差分相关。 该模型的识别性能采用10倍交叉验证的k近邻算法，并结合SODP的对数网格分析方法进行模拟。 准确率分别为 91.96%、99.86% 和 95.12%。

2. 心电图和其他特征在生物识别中的应用

   第二个子类是基于深度学习的应用程序，它将心电图与指纹结合起来进行生物特征识别和检测。 为了解决单模式生物特征识别系统在处理噪声、类间相似性、非普遍性和欺骗攻击方面的局限性，[57] 提出了一种基于 ECG 信号和指纹的多模式生物特征识别系统。 类似地，在 [58] 中开发了一种基于 CNN 的多模式生物识别系统，该系统结合了 ECG 和指纹。 该模型在 Physio Net 的 PTB 心率数据库和 LivDet2015 的指纹数据库上进行了模拟。 仿真结果表明，与现有的多模式认证系统相比，上述两篇论文中的系统高效、鲁棒、可靠。