抽象性

论文中R波峰间段独立abrilation检测算法建议基于深神经网络对电动心电图信号同步特征分析第一,电动心电图信号每一心跳同步特征由复发复合网络构建卷积神经网络分析重现复合网络的精华值检测虚裂归根结底,开发投票算法提高弹出性能MIT-BIH虚构裂变数据库用于评价拟议方法的性能实验结果显示算法敏感度、特性和精度可分别实现94.28%、94.91%和94.59%值得注意的是,拟议方法比传统算法有效处理人工纤维化检测个体变异问题

开工导 言

工效纤维化(AF)是临床环境最常见的心律失常类型,影响约1-2%的普通人一号..临床进度显示,AF的存在与增加中风、心机故障、住院和死亡风险相关2..通常不为人知AF的发生,因为对许多病人来说,条件无关紧要,因此无法检测结果,迫切需要开发AF检测法

心电图常用诊断工具AF检测,对ECG进行了大量研究工程或基于RR区间(RRI,即两个相邻QRS复杂波的区间)变异或异常场活动(AA)3))先前结果显示RRI算法强于AA算法4和达什5))但是,如果病人有起搏器、正在服用节率药或同时有心境问题,如原生形块[6..因此,有必要开发AA特征的AF检测算法,即设计无收费方法7..

取自FAP波代之以Fibriory波自然检测AF法 检验P波缺失先前算法建议解决这一问题8-10万事通测试结果不尽人意,因为波点检测有挑战性,对动态监控应用而言尤其如此。

最近使用信号处理技术从ECG波段提取AA特征供AF检测斯特里德et al.使用时频分布估计法估计ECG信号裂变频度,其中一组参数描述基本频率、振荡度、形状和信号对噪比11..李et al.使用可变频复合解析法分析主要频度12..显性频值显示为AF检测的特征另一种ECG模式分析法对正常关节律和ajorfirlation拍打分类13免名并注册ECG节拍受独立构件分析处理数据,ICA权重使用NiveBayes和Gaussian混合模型分类特征分类所有这些方法使用手工艺特征识别模式特征对不同的个性并非不变实验中分类精度估计乘以十倍交叉验证,培训集包含提供测试ECG样本的每个用户培训样本的概率极大使用个体变异指上图然而,在ECG监测应用中,关键是系统能够解决这一问题

磁度方位一致性,频域测量两个信号线性相14,15..FF检测算法精度相对较低因此,它必须与RRI特征合并实现可接受精度复用复杂网络用128单极电极系统记录狗芯信号检测AF16..证明复发复合网络相位适配分辨正弦节律和ajorfirlation节拍中则16从相邻复合网络矩阵计算出的两个数值特征用于检测AF这一过程可能导致邻近矩阵大量偏差信息丢失

本文的目的是提高AF检测算法的性能,将复发复杂网络与卷积神经网络合并深学习算法17CNN特征提取大有潜力并应用到图像处理和语音识别上并取得显著成功18号-20码..CNN从RCN输出中学习强效AF特征,然后高精度检测AF信号拟议的AF检测算法由两个程序组成首先是心跳分类程序,它能区分AF打和正常打 基于ECG单心跳波二级投票程序通过阻塞多拍分级结果提高分类性能程序前关键部分, 即每个心跳同步特征先由 RCN提取, 并用CNN提取更多抽象AF特征并识别AF心跳MIT-BIH数据库实验结果显示CNN所学AF特征强健适应不同个性ECG信号的变异,因此建议算法有良好的泛化能力

二叉数据大全

实际数据使用方法由MIT-BIHAF数据库提供21号..数据库取自Phase22号并包含25个长时ECG记录AF并包含299AF集每种录制都含有ECG信号(ECG1和ECG2),采样为250HZ和12位分辨率这项工作中仅使用ECG1信号评价AF检测法

3级方法论

3.1.数据预处理

以0.5赫兹和49赫兹对极应用7级 Butterworth波段滤波减少基线漫游和噪声并发现ECG记录和一套预定义QRS模型之间的局部卷积最大值QRS起始点基于最匹配模型取消QRS波剩余信号分解相近AA段心跳所有段都插入128位数据样本中Fleier变换插值下一步,AF检测算法基于这些样本开发ECG主预处理步骤图解一号清晰显示数据变化过程图1(a)显示 Butterworth滤波成功校正基准并减少噪声效果图中1(b)右图只包含QRS波外的信息显示脉冲信号几乎消除输出信号基本表示AA信号以上为插值操作前后单心跳图1(c).

3.2提取低级特征基于重现复杂网络

ECG数据非静止时间序列23号万事通复用复杂网络分析,这是一个常用处理非静止时间序列工具23号,24码..传统上,在应用RCN时需要探讨两个问题:重现矩阵构建和RCN特征提取本节主要侧重于构建ECG数据复发矩阵

重现矩阵通过相位空间重构法获取一般来说,相位空间构造方法有两种:延时法和衍生重构法[24码..在这次研究中选择延时法是因为推导对计算误差敏感等一等 表示ECG长数据 ,并继向量 表示相位空间中的向量来 嵌入式维度 嵌入延迟时间if参数 并 正确定义,数据动态特征传递到相位向量关系中,观察和提取数据动态特征比原空间容易得多

最常用选择延时参数法 基础为相位空间坐标间互通信息25码))通过赋值 ,偶数变量 并 定义位置 实例举 ,并 实例举 .平均信息量从特定值 ,命名昆虫 ,定义如下: 去哪儿 概率观察随机变量值 华府市 .

entropy 定义方式相同此外 情侣联想 可定义为 去哪儿 概率观察值 系 ,并 华府市 .

接二连三信息 并 可定义为 :

回想随机变量定义 并 ,可确定 正函数 .研究工作25码证明时间延迟的适当值 匹配本地最小值 .

问题判定嵌入维 深入探索26中高效法判定嵌入维 开发基础是低嵌入度分点结果与高维相距空间相近27号..这种方法在AF检测算法中应用, 下半部分我们简单审查

重考ECG数据 .假设矢量构造维度 系 ,去哪儿 ,近邻 相位空间 .矢量构造维度 系 ,去哪儿 .取相邻矢量间距离对二相位差量定义为 去哪儿 测量欧氏距离,如最大规范说曹等[26service参数 可由函数判定

选择相位空间适当参数后,原创数据动态特征可用下文表示 复发矩阵 : 去哪儿 .矩阵化 对称矩阵带二维分数值0算法中 =128 ,并 (见一节)4.1))中 .

重现矩阵传统上二分法化,一些数值特征通过人工法提取输入样本可用算法分类,如模糊c-bourse然而,很难人工定义ECG数据的适当特征。解决问题时, 我们建议使用卷积神经网络自动从复发矩阵提取特征第一,我们计算重现矩阵的igen值, 并发到CNNCNN提取特征并分类数据igen值数据样本组成92字节特征矢量

3cm3AF检测基础 卷积神经网络

3.3.1CNN架构

卷积神经网络解决特征学习问题,即通过NN多层操作计算多级数据表示第一层和顶层除外,CNN主体部分由交替分层卷积组成

图解2卷积层由一组完全连通特征图组成 乘积 表示总数)每一特征映射 通过汇总从所有输入特征地图获取卷积 表示总数) ,和数列权向量 , ,即 去哪儿 非线性激活函数,例如 .词特征图从图像处理应用中借用,即CNN分层输入输出二维数组CNN输入为一维向量,结果所有特征地图都为AF检测算法中的一维向量

权值矢量卷积 ,可视之为可训练特征提取操作符每种增强一种特征并削弱其他特征当CNN培训足够的培训数据时,使用这些权值向量获取的特征地图将转换为识别输入数据的适当表示法

卷积层后加集合层,图中显示2.集合层由特征地图组成每一特征映射 )集合层对卷积层特征图单元应用集合操作获取 )通常有两种集合操作:最大化集合和平均集合中均池获采用,定义为 去哪儿 算法 -单位二 ; 算法 -单位二 ; 集合大小决定集合窗口 移位大小决定相邻池窗口重叠并 缩放因子选择 .通过集合操作,特征地图分辨率下降,使CNN所学特征强健定位小变异

CNN检测六层图解3)由输入层组成两卷积层,分别表示为C1和C2两层集合表示S1和S2并输出层92等值重构复发矩阵组成ECG心跳样本并嵌入输入层输出层只有2单元 ,去哪儿 ; 匹配正常热拍类 匹配AF心跳类假设输出单元表示为最后集合层中的单元 总数) ,去哪儿 ,和权介 并 华府市 ,去哪儿 , .最终输出可计算如下: CNN可接受回向转换算法培训并损失函数 去哪儿 表示CNN所有权值 输入样本 二进制矢量标签 .细节培训算法28码..

卷积层特征图数和集合参数由段内实验选择4.

3.3.2.AF检测

输入ECG数据预处理并分解到128位样本中,每个样本匹配一心电文的试验活动信号重现矩阵计算重现矩阵组成92字元特征矢量的igen值发送至CNN微信细节介绍如下

C1层:C1层是一个卷积层由六大特征地图组成,向量为1 80码单片图图图图图图从局部获取输入卷积内核大小决定神经元可接受域大小因此,必须定出适当的卷积内核大小卷积内核设为13,输出特征图大小为80(92-13+1=80)。输入数据内部信息通过不同卷积内核提取

S2层:S2层为集合层从C1获取特征按局部图像特征原理采样采样通过集合函数对数单元实现,区域大小由集合大小参数决定。实验后大小设为2因此,图层所得特征图大小为40(80/2=40)。深入特征提取会使其变异定位小变异分辨率特征图缩小,但大多数信息保留

C3层:C3层类似于C1层所得特征地图为28(40-13+1=28)。上文提到,集合层增加神经元可接受域因此,为深度结构获取了更好的特征结构

S4层:该层与S2层相同特征地图大小14度(28/2=14)

输出层:输出层完全连接S4层S4神经元数为12 14=168每一个神经元都连接输出有168 2=336连接,因为输出层由2个神经元组成输出会更接近期望输出 经过数次培训 通过BP算法更新网络权值

3.4.多数表决

FF检测算法对探索AF基本特征很重要,但其分类精度相对较低为提高算法性能,多数投票法被采纳AF检测前ECG数据分解为beat-wise数据样本相邻相邻 样本使用集体选择AF检测一名候选样本使用上述方法分类,然后分类结果通过多数表决整合以确定它是否为AF数据参数显示 将实验确定下一节

4级实验和讨论

所有程序图都用Matlab创建(R2015b版8.6.0.267246, Mathworks)。数据库中的23录制分两组第一组录制15录制,第二组录制8录制两组记录取自不同主体从第一批中,分别用预处理法获取120 000牛顿脉冲AA数据样本和12万AF样本311.24万样本都用于搭建训练集第二组用同一种预处理法获取4万牛排AA数据样本和4万AF样本80,000样本用于搭建测试集此类安排的目标是测试AF检测算法是否能够适应不同的个人

4.1.时间延迟选择嵌入维

重建相位空间有两个参数需要确定:延迟时间和嵌入维图4绘图MI对延时 .延迟时间对应本地最小MI )选择相位空间图5绘图函数 .可以看到当维度超过9 值接近1,不随嵌入度增加而发生重大变化基于曹方法 设为10

4.2变换CNN参数效果

为了选择有线电视新闻网最佳参数,有线电视新闻网用不同参数评价性能

高山市1) 不同卷积内核长度效果四种参数需要确定:集合大小、卷积内核长度、C1层特征地图数和C3层特征地图数当前算法中CNN输入矢量长度不太大大型集合体积可能导致信息丢失池积规模固定为2

启动时C1层和C2层地物图数分别设置为6和12[18号和不同长度卷积内核效果观察表2一号显示有线电视新闻网不同卷积长度分类率长13生成最大分类率

高山市2)各种特征地图数效果表22显示C1层不同特征图的精度 )和C3层 )结果显示CNN最佳表现 并 .

4.3实验结果Beat-WiseAF检测

说明CNN效果,CNN比较其他常用分类法三维测量用于评价方法:精度(AC)、敏感度(SE)和特性(SP)。三大分类器输入出低水平特征3.2.表23显示CNN大大优于其他人

多数无率AF检测算法无法解决个体变异问题根據我們的調查 唯有磁度方位一致性算法15复用复杂网络算法16可辨识个人样本基于beat-wiseAA样本表24显示建议节奏AF检测算法与这两种算法的比较对比实验所有ECG记录都使用C节描述的方法预处理311并按前文描述构建训练测试集BWAD算法中低级特征先提取后CNN用于提取高级特征并分类关于MSC算法,特征向量由数据样本和前样本计算,样本分类基于手测量法详解15..RCN算法复发矩阵计算与建议算法计算相同,样本分类基于两手测量法详解16..

可以看出,拟议的BWAD算法优于传统算法传统算法依赖人工获取特征,在节率独立AF检测方面表现不良对比之下,BWAD算法通过使用CNN提取高层次特征分类有效解决这一问题

4.4.4实验结果多数表决

算法的性能可以通过多数表决提高,其中输出 相邻心跳样本集成以获取准确结果表25列表分类率 )可以看到大点 值通常提高性能

4.5复杂度计算

程序使用计算机配置英特尔双焦速度为2.2GHz和内存尺寸为3.18GB算法建议培训CNN耗时过程培训过程可脱机执行培训过程(即全数据预处理过程和CNN培训过程(10次))约需9.65小时24 000样本表26列表结果

关于测试过程,确定清除QRS波并减少噪声过程是最耗时过程数项实验后,取出每个过程花在一个样本上的时间,并显示测试过程约0.1186秒样本因此,这种方法可用于实时信号处理

5级结论

本文介绍新奇自带AF检测算法,该算法基于AA特征将RCN和CNN合并第一,重现矩阵用RCN计算,并提取矩阵egenvalue并使用CNN多层结构并越来越多地抽象表示输入通过优化网络区分这些信号,提取高层次特征并分类输入样本最后,多数投票用于提高算法性能

实验中训练集测试集以特殊安排构建,从不同主体获取每组数据样本算法建议精度达94.59%,与广受欢迎的RRI方法相似此外,拟议的无率算法适用于带节率药或起搏器的病人此外,开发方法解决个体变异问题因此,建议方法显然能检测高性能AF

数据可用性

支持本研究发现的数据可应请求从相关作者处获取。

利益冲突

作者声明他们没有利益冲突

感知感知

这项工作得到中国自然科学基金会(61473112)、河北省杰出青年学者基金会(F2016201186)、河北省自然科学基金会(F2015201112)和河北省大学院科技研究项目(ZD2015067)。