×
杨伟毅;司玉娟;张，龚;王迪;孙美琪;范伟;刘欣;李良良

一种使用THC-Net自动识别充血性心力衰竭和冠状动脉疾病的新方法。 （英语） Zbl 1529.92030号

信息科学。 568, 427-447 (2021).
摘要：冠状动脉疾病（CAD）和充血性心力衰竭（CHF）导致全球许多人死亡。通常，心电图（ECG）被用作CAD/CHF识别的诊断工具。然而，由于心电图的变化有时是细微的，视觉识别长期心电图异常是耗时且费力的。为了解决这些问题，我们提出了一种新的用于心电自动识别的双通道混合卷积网络（THC-Net）。THC-Net包含一个典型相关分析（CCA）-主成分分析（PCA）卷积网络、一个独立成分分析（ICA）-PCA卷积网络和一个基于Dempster-Shafer（D-S）理论的线性支持向量机（SVM）。开发了CCA-PCA和ICA-PCA卷积网络，分别从心电图中提取包含铅相关性和铅特异性信息的深层特征。与普通卷积神经网络（CNN）相比，它们的核可以通过CCA、ICA和PCA直接提取，训练时间更快。然后，采用能够处理多通道不确定性信息的基于D-S理论的线性SVM作为分类模型。在这项工作中，基于遗漏交叉验证，对正常、CHF和CAD患者进行分类的准确率为95.54%。此外，对多级噪声和不平衡数据的实验也取得了显著的结果。因此，该方法有可能在临床上诊断CAD和CHF。

MSC公司：

92 C55 生物医学成像和信号处理
68T07型 人工神经网络与深度学习

关键词：

CAD和CHF识别;多通道心电图分类;CCA-PCA卷积网络;ICA-PCA卷积网络;Dempster-Shafer理论;支持向量机

软件：

物理工具包
PDF格式BibTeX公司 XML格式引用
\textit{W.Yang}等人，《信息科学》。568427-447（2021年；Zbl 1529.92030）
全文： DOI程序

参考文献：

[1] 阿查里亚，U.R。；藤田，H。；亚当，M。；Lih，O.S。；Sudarshan，V.K。；Hong，T.J。；Koh，E.W。；Hagiwara，Y。；Chua，C.K。；Poo，C.K。；San，T.R.，《通过ECG信号分解对冠心病和心肌梗死进行自动表征和分类：一项比较研究》，《信息科学》。，377, 17-29 (2017)
[2] Abdar，M。；西亚泽克。；阿查里亚，美国。；Tan，R.S。；马卡伦科夫，V。；Plawiak，P.，准确诊断冠状动脉疾病的新机器学习技术，计算机。方法生物识别程序。，179, 16-27 (2019)
[3] 阿查里亚，U.R。；Fujita，H。；Sudarshan，V.K。；噢，S.L。；穆罕默德，A。；Koh，J.E.W。；Tan，J.H。；Chua，K.C。；Chua，K.P。；Tan，R.S.，使用心率信号自动识别充血性心力衰竭的经验模式分解（EMD）应用，神经计算。申请。，28, 3073-3094 (2017)
[4] 阿查里亚，U.R。；Fujita，H。；噢，S.L。；Hagiwara，Y。；Tan，J.H。；M.亚当。；Tan，R.S.，使用ECG信号自动诊断充血性心力衰竭的深度卷积神经网络，应用。智力。，49 (2019)
[5] 阿查里亚，U.R。；Fujita，H。；Sudarshan，V.K。；哦，S.L。；亚当，M。；Tan，J.H。；Koo，J.H。；Jain，A。；Lim，C.M。；Chua，K.C.，使用心电图信号的contourlet和shearlet变换自动表征冠状动脉疾病、心肌梗死和充血性心力衰竭，Knowl-基于系统。，132, 156-166 (2017)
[6] 阿查里亚，U.R。；噢，S.L。；Hagiwara，Y。；Tan，J.H。；M.亚当。；Gertych，A.，分类心跳的深度卷积神经网络模型，计算。生物医学，89389-396（2017）
[7] 阿查里亚，U.R。；Fujita，H。；Lih，O.S。；Hagiwara，Y。；Tan，J.H。；Adam，M.，使用不同间隔的心动过速ECG片段和卷积神经网络自动检测心律失常，Inf.Sci。，405, 81-90 (2017)
[8] 阿查里亚，U.R。；Fujita，H。；噢，S.L。；Hagiwara，Y。；Tan，J.H。；Adam，M.，深度卷积神经网络在使用ECG信号自动检测心肌梗死中的应用，Inf.Sci。，415, 190-198 (2017)
[9] Buja，L.Maximilian，M.A.Jr.，《冠状动脉疾病：病理解剖和发病机制》。《冠状动脉疾病》，斯普林格出版社，2015年，第1-20页
[10] Caliskan，A。；Yuksel，M.E.，使用深度神经网络对冠状动脉疾病数据集进行分类，欧洲生物技术杂志，1，4，271-277（2017）
[11] Davari Dolatabadi，A。；Khadem，S.E.Z。；Asl，B.M.，使用优化支持向量机自动诊断冠心病（CAD）患者，计算机。方法生物识别程序。，138, 117-126 (2017)
[12] H.Fujita、V.K.Sudarshan、M.Adam、S.L.Oh、J.H.Tan、Y.Hagiwara、K.C.Chua、K.P.Chua和U.R.Acharya，《利用小波包分解和心电图信号非线性测量表征心血管疾病》，第10350卷LNCS，2017年。
[13] Fujita，H。；Cimr，D.，使用深度卷积神经网络对原纤维和颤动进行计算机辅助检测，Inf.Sci。，486, 231-239 (2019)
[14] 2014年瑞士非传染性疾病全球状况报告
[15] E.D.Grech，介入心脏病学ABC，Wiley-Blackwell，2011年BMJ图书。
[16] A.L.Goldberger、L.A.N.Amaral、L.Glass、J.M.Hausdorff、I.PCh、R.G.Mark、J.E.Mietus、G.B.Moody、C.-K.Peng、H.E.Stanley、PhysioBank、Physio Toolkit和PhysioNet：复杂生理信号新研究资源的组成部分，循环101（2000）e215-e220
[17] 桂金，W。；陈双，Z。；永潘，L。；华中，Y。；大鹏，F。；Haiqing，W.，基于递归神经网络和主动学习的全局可更新心电节拍分类系统，Inf.Sci。，501, 523-542 (2018)
[18] 洪，S。；Kwon，H。；崔顺实。；Park，K.S.，基于耳道脑电图与光容积描记术和心电图术的睡意识别智能系统，信息科学。，453、302-322（2018年7月）
[19] L.Hussain，I.A.Awan，W.Aziz，S.Saeed，A.Ali，F.Zeeshan，K.S.Kwak，《通过提取多模态特征和使用机器学习技术检测充血性心力衰竭》，国际生物医学研究，2020年，文章编号：4281243。
[20] K.He，X.Zhang，S.Ren，J.Sun，图像识别的深度剩余学习，摘自：IEEE计算机视觉和模式识别会议记录，美国内华达州拉斯维加斯，2016年6月27日至30日，第770-778页
[21] Kamath，C.，《充血性心力衰竭患者表面心电图时间序列不规则性和复杂性的熵测量》，《高级计算机杂志》。第6号决议，1-11（2015年）
[22] M.Kumar，R.B.Pachori，U.R.Acharya，基于短期HRV信号的灵活分析小波变换框架中使用累积熵自动检测充血性心力衰竭，熵19（3）（2017），文章编号：92。
[23] 库马尔，M。；帕乔里，R.B。；Acharya，U.R.，应用于ECG信号的灵活分析小波变换表征冠状动脉疾病，生物医学。信号处理。控制，31301-308（2017）
[24] D.Komorowski，B.Mika，多通道胃电信号去噪的新方法，生物医学。信号控制45（2017）213-224
[25] O.S.Lih、V.Jahmunah、T.R.San、E.J.Ciaccio、T.Yamakawa、M.Tanabe、M.Kobayashi、O.Faust、U.R.Acharya，基于深度学习的综合心电图诊断。Artif公司。智力。Med.103（2020）文章编号：101789。
[26] L.De Lathauwer，B.De Moor，J.Vandewalle，通过盲源子空间分离提取胎儿心电图，IEEE Trans。生物识别。工程47（5）（2000）567-572。
[27] Melgani，F。；Bazi，Y.，使用支持向量机和粒子群优化对心电图信号进行分类，IEEE Trans。信息技术。生物识别。，12, 5, 667-677 (2008)
[28] Osowski，S。；Hoai，L.T。；Markiewicz，T.，支持基于向量机的可靠心跳识别专家系统，IEEE Trans。生物识别。工程，51，4，582-589（2004）
[29] 帕蒂达尔，S。；帕乔里，R.B。；Acharya，U.R.，应用于心率信号的可调Q小波变换自动诊断冠状动脉疾病，Knowl-基于系统。，82, 1-10 (2015)
[30] Sudarshan，V.K。；阿查里亚，U.R。；噢，S.L。；M.亚当。；Tan，J.H。；Chua，C.K。；Chua，K.P。；Tan，R.S.，使用双树复小波变换和从2s ECG信号中提取的统计特征自动诊断充血性心力衰竭，计算。生物医学，83，48-58（2017）
[31] 萨赫比，S。；Brusilovsky，P.，《探戈需要两个人：跨域协同过滤领域对的探索》（第九届ACM推荐系统会议论文集（2015），ACM），131-138
[32] K.Simonyan，A.Zisserman，《用于大尺度图像识别的非常深卷积网络》。在线可用：https://arxiv.org/pdf/1409.1556.pdf（2020年6月2日访问）。
[33] Tan，J.H。；Hagiwara，Y。；庞，W。；林，I。；噢，S.L。；M.亚当。；San Tan，R。；陈，M。；Acharya，U.R.，堆叠卷积和长短期记忆网络在准确识别冠心病心电信号中的应用，计算。生物医学，94，19-26（2018）
[34] Tripathy，R.K。；帕特尼娜，M.R。；Arrieta，J.G。；萨莫拉·梅恩德斯，A。；Naik，G.R.，使用stockwell变换和混合分类方案从心电图信号中自动检测充血性心力衰竭，计算机。方法生物识别程序。，173, 53-65 (2019)
[35] 世界卫生组织，心血管疾病。第317号情况说明书，2012年，2012年第4-7页
[36] 于海川，尹义忠，赵义忠，袁义霞，基于ICA和STAW的食醋电子鼻数据递归校正FDA方法，《测量》，第164卷，文章编号：108022。
[37] 哈利姆，Z。；Rehan，M.，《利用脑电图信号识别驾驶诱导的压力：基于可穿戴安全关键方案和机器学习的框架》，Inf.Fusion，53（2019）
[38] Z.Halim，M.Atif，A.Rashid，C.A.Edwin，使用真实世界的数据集分析玩家：对数据进行聚类，并将结果与五大人格特征相关联，IEEE Trans。影响。计算。PP（1）（2019）1-1。
[39] 穆罕默德，T。；Halim，Z.，使用人工神经网络构建基于元数据的模型，以自动选择合适的数据可视化技术，Appl。软计算。，365-384 (2016)
[40] Cuthbert，C.A。；Boyne，D.J。；袁，X。；Hemmelgarn，B.R。；Cheung，W.Y.，患者报告的癌症诊断的症状负担和支持性护理需求：一项回顾性队列研究，支持。癌症护理，28，3（2020年）
[41] J.F.Farragher、K.E.Stewart、T.G.Harrison、L.Engel、S.E.Seaton、B.R.Hemmelgarn，《成人慢性肾脏疾病认知干预：范围界定审查方案》。系统。第9版（2020年）。
[42] P.Liu，R.R.Quinn，G.Cortese，M.Mahsin，P.Ravani，《肾病咨询与4期慢性肾病患者的肾衰竭：一项基于人群的队列研究》，J.Nephrol。(2020).
[43] 弗莱彻，J.M。；Saunders-Smith，T。；曼斯，B.J。；Tsuyuki，R。；Campbell，D.J.T.，《药剂师和患者对随机对照试验招募策略的看法：定性分析》，BMC医学研究方法，20，1，270（2020）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。