心電圖（ECG）是一種測量心臟電活動的常規(guī)方法，用于檢測和診斷心臟疾病，在日常體檢中也是必要的檢查項目。醫(yī)生會記住心電圖的正常參考值，了解異常心電圖的特征表現(xiàn)，現(xiàn)在已經(jīng)形成了標準的心電分析流程，在醫(yī)院院內(nèi)心血管診療中發(fā)揮重要作用。

心電輔助系統(tǒng)的研究開始于20世紀50年代，目前有多個成熟的商用系統(tǒng)。但是如果增加心臟收縮舒張的監(jiān)測時間，隨之產(chǎn)生的心電圖數(shù)據(jù)越來越多，如何利讓機器用算法抓住其中的規(guī)律為疾病診斷提供依據(jù)？人工智能的算法在語音、圖像領(lǐng)域提取規(guī)律取得了非常好的成績，因此將人工智能算法應(yīng)用于心電領(lǐng)域是值得好好探索的方向。由吳恩達領(lǐng)導(dǎo)的斯坦福大學(xué)機器學(xué)習小組，早在2017年的一篇論文研發(fā)出一種新的深度學(xué)習算法，分析心電圖數(shù)據(jù)可以診斷14種類型的心律失常。?

這里需要補充一下背景知識，心電是電壓信號，單導(dǎo)聯(lián)心電可用于節(jié)律類的心臟診斷，如心律不齊，多導(dǎo)聯(lián)的心電可以做更復(fù)雜的診斷。心電的原理是心肌細胞去極化的時候會在皮膚表面引起很小的電學(xué)改變，這種電壓差的連續(xù)變化反映了心臟收縮舒張的過程[1]。

?

第一篇：十年心電圖分析大總結(jié)

心電圖信號基本上與心臟的電活動（electrical activity）相對應(yīng)。心電圖信號被用于各種用途，如測量心率、檢查心跳節(jié)律、診斷心臟異常、情感識別和生物特征識別。心電圖分析可以包含幾個步驟，如預(yù)處理、特征提取、特征選擇、特征轉(zhuǎn)換和分類。為了進行相關(guān)的分析，每個步驟的執(zhí)行都是至關(guān)重要的。此外，采用適當措施和心電信號數(shù)據(jù)庫也在分析中發(fā)揮著重要作用。在本研究中，基于以上主要方面，對近十年來有關(guān)心電圖分析的文獻進行了全面的綜述。簡述了心電圖分析的各個步驟，并提供了相關(guān)研究。

論文信息："A survey on ECG analysis."?Biomedical Signal Processing and Control?43 (2018): 216-235.

?第二篇：用卷積神經(jīng)網(wǎng)絡(luò)進行心臟病專家級的心律不齊檢測

吳恩達團隊和可穿戴心電圖監(jiān)測設(shè)備廠商iRhythm合作，收集并標注了來自29163名患者的64121份心電圖數(shù)據(jù)，以200 Hz的頻率采樣，構(gòu)建了大規(guī)模的訓(xùn)練集和校驗集，用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。他們又從328名患者處收集了336份心電圖數(shù)據(jù)，構(gòu)成了測試集。數(shù)據(jù)集中的心電圖樣本每段30秒，都經(jīng)過專業(yè)醫(yī)生標注。測試集的數(shù)據(jù)標注則經(jīng)過3名心臟病專家組成的委員會共同判斷得出。構(gòu)建了34層神經(jīng)網(wǎng)絡(luò)，包括33個卷積層、一個全連接層和softmax模型，以原始心電圖時間序列為輸入，每秒輸出一次預(yù)測標簽。論文的主要作者說：“心律信號之間的差異可能非常細微，比如說，有兩種心律不齊都叫做二度房室傳導(dǎo)阻滯的，它們在心電圖上的表現(xiàn)也非常相似，但一種需要立刻治療，一種不需要。”而這篇論文用深度神經(jīng)網(wǎng)絡(luò)，從心電圖中識別14類心律不齊。

論文信息："Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network."?Nature Medicine?25.1 (2019): 65.?

?第三篇：使用人工智能心電圖檢查心臟收縮功能障礙

心電數(shù)據(jù)易獲取、成本低，能否成為無癥狀的左心室功能障礙（ALVD）的早篩工具？

無癥狀的左心室功能障礙存在于普通人群的比率是3％-6％，即使可以治療，該病會降低患者生活質(zhì)量和減少壽命。目前還沒有用于該病低成本的，無創(chuàng)的篩查工具。

我們測試了這樣的假設(shè)：對來自美國梅奧診所（Mayo Clinic）的44959名患者使用一種常規(guī)的測量心臟電活動的方法，收集成對的12導(dǎo)聯(lián)心電圖和超聲心動圖數(shù)據(jù)，包括左心室射血分數(shù)（衡量收縮功能），我們訓(xùn)練了一個卷積神經(jīng)網(wǎng)絡(luò)，以確定患有心室功能障礙的患者，射出分率（ejection fractio）≤ 35％，并僅使用心電圖數(shù)據(jù)。當在一組獨立的52870名患者上進行測試時，網(wǎng)絡(luò)模型得出曲線下面積的值，敏感性，特異性和準確度分別為0.93和86.3％，85.7％和85.7％。

在沒有心室功能障礙的患者中，人工智能篩查呈陽性的患者未來發(fā)生心室功能障礙的風險是其他患者4倍（風險比4.1；95％置信區(qū)間，3.3 to 5.0）。將人工智能算法應(yīng)用于心電圖，能夠?qū)崿F(xiàn)一個長期監(jiān)測的低成本功能，允許心電圖作為沒有癥狀個體的強大篩查工具來識別該病。

論文："Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram."?Nature Medicine?25.1 (2019): 70.

第四篇：區(qū)域聚集網(wǎng)絡(luò)，改進卷積神經(jīng)網(wǎng)絡(luò)用于心電圖特征檢測

心電圖特征點的提取是心電圖自動分析技術(shù)的第一步。論文提出了一種新的端到端深度學(xué)習方法——區(qū)域匯聚網(wǎng)絡(luò)(RAN)，用于心電圖特征點的檢測。

采用1D卷積神經(jīng)網(wǎng)絡(luò)(CNN)對心電圖信號進行自動處理。提出了一種新的區(qū)域聚集策略來代替?zhèn)鹘y(tǒng)的全連通層作為回歸器。論文團隊為公共心電圖數(shù)據(jù)庫提供了可靠和準確的檢測性能。該方法在QT數(shù)據(jù)庫上的評價結(jié)果表明，該方法的檢測精度與國內(nèi)先進的檢測方法具有可比性。實驗證明，深度學(xué)習方法是一種有效的心電信號分析方法。

論文信息："Region Aggregation Network: Improving Convolutional Neural Network for ECG Characteristic Detection."?. IEEE

第五篇：基于遞歸神經(jīng)網(wǎng)絡(luò)和主動學(xué)習的全局可更新心電圖心跳分類系統(tǒng)

該系統(tǒng)通過單一分類器為所有患者實現(xiàn)了最先進的性能。論文所提出的優(yōu)化機制顯著提高了整個系統(tǒng)的泛化能力。實施遞歸神經(jīng)網(wǎng)絡(luò)以自動學(xué)習特征。通過心電圖（ECG）自動診斷心律失常所面臨的主要挑戰(zhàn)是個體患者之間的巨大差異以及標記臨床心電圖記錄的高成本。為了建立具有自動特征學(xué)習方案和有效優(yōu)化機制的系統(tǒng)，我們提出了一種全局可更新的分類方案，稱為全局遞歸神經(jīng)網(wǎng)絡(luò)（GRNN）。基于形態(tài)學(xué)和時間信息，采用遞歸神經(jīng)網(wǎng)絡(luò)來探索心電圖搏動的基本特征。為了在獲得新樣本時提高系統(tǒng)性能，應(yīng)用主動學(xué)習來選擇信息量最大的節(jié)拍并將其合并到訓(xùn)練集中。隨著訓(xùn)練集的增長，系統(tǒng)會更新。論文提出的全局遞歸神經(jīng)網(wǎng)絡(luò)有三項主要創(chuàng)新。首先，依靠全局遞歸神經(jīng)網(wǎng)絡(luò)的大容量和擬合能力，我們可以用單一模型對多個不同患者的樣本進行分類。其次，當訓(xùn)練樣本和測試樣本來自不同的數(shù)據(jù)庫時，全局遞歸神經(jīng)網(wǎng)絡(luò)提高了泛化性能。這可以解釋為優(yōu)化機制找到最具信息性的樣本以改善作為訓(xùn)練數(shù)據(jù)的性能。最后，遞歸神經(jīng)網(wǎng)絡(luò)自動學(xué)習來自不同類別的樣本之間的潛在差異。實驗結(jié)果證明全局遞歸神經(jīng)網(wǎng)絡(luò)系統(tǒng)通過單一模型實現(xiàn)了最先進的性能。在數(shù)據(jù)庫實驗中，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)分別來自不同的數(shù)據(jù)庫，與其他算法相比，全局遞歸神經(jīng)網(wǎng)絡(luò)實現(xiàn)了顯著的改進。 ?

論文信息："A global and updatable ECG beat classification system based on recurrent neural networks and active learning."?Information Sciences?(2018).

?

第六篇：用深層網(wǎng)絡(luò)對心律失常進行注釋的方法

本研究旨在利用深度網(wǎng)絡(luò)對心律失常進行自動標注。研究類型包括竇性心律、心律失常、室上性心動過速、心室顫動或纖顫、室性心動過速。方法：將麻省理工學(xué)院惡性心室性心律失常數(shù)據(jù)庫和麻省理工學(xué)院正常竇性心律數(shù)據(jù)庫中的13s肢體導(dǎo)聯(lián)心電圖塊分成子集，進行5次交叉驗證。將這些信號重新采樣到200Hz，濾除基線漂移，投影到二維灰度譜中，然后送入一個全新結(jié)構(gòu)的深層網(wǎng)絡(luò)。

該網(wǎng)絡(luò)利用殘差層提取單個時間點的特征向量，利用變分自動編碼器(VAE)提取隱式表示。在訓(xùn)練過程中，將這些前半部分訓(xùn)練到損失函數(shù)的某一閾值，然后在訓(xùn)練過程中切換到剩余的雙向遞歸神經(jīng)網(wǎng)絡(luò)(RNN)，即預(yù)測心律失常類別的前半部分。經(jīng)過訓(xùn)練的模型進入到容器的映像中，以便在終端或云端中部署。結(jié)論：對四種心律失常均有良好的敏感性和較好的準確率。在兩個心室心律失常也被觀察到了。此外，用變分自動編碼器進行隱式表示，可以顯著提高算法的收斂速度和精度。

論文信息："Method to Annotate Arrhythmias by Deep Network."?arXiv preprint arXiv:1806.07715?(2018).

編者注：

[1] Electrophysiology, Task Force of the European Society of Cardiology the North American Society of Pacing. "Heart rate variability: standards of measurement, physiological interpretation, and clinical use." Circulation 93.5 (1996): 1043-1065.

親愛的數(shù)據(jù)

出品：譚婧

美編：陳泓宇

?

?

總結(jié)

以上是生活随笔為你收集整理的人工智能应用于心电图：这6篇论文值得收藏的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。