×

基于ResNet和LSTM的心律疾病心电信号检测与分类。 (英语) Zbl 1480.92118号

心律失常是各种心血管疾病中最具威胁性的疾病之一。实现高效、准确的心律失常自动检测对心血管疾病的临床诊断和治疗具有重要意义。本文在前人对心电图(ECG)自动检测和分类算法研究的基础上,利用ResNet34网络学习ECG信号的形态特征,获取信号的重要信息,然后传递到一个三层堆叠的长期和短期记忆网络中,得到特征的上下文依赖性。最后,使用softmax函数在PhysioNet Challenge 2017测试数据集上实现了四个分类任务。在该模型中,激活函数从ReLu函数变为mish函数。训练过程中考虑了心电信号的负信息,使模型具有更稳定、更准确的分类能力。此外,本文计算并比较了测试集中正确分类样本和错误分类样本的平均信息熵。此外,它消除了明显的信号异常(冗余或丢失)对模型分类结果的影响,以更全面、准确地解释模型的分类效果和性能。在消除了异常信号的可能性后,ResNet34-LSTM3模型在测试数据集上获得了0.861的平均F1分数和0.972的接收器工作特征曲线(ROC)下的平均面积,这表明该模型能够有效地提取ECG信号的特征并诊断心律失常疾病。将ResNet34模型和ResNet-18模型在同一测试数据集上的结果进行比较,可以看出本文改进的模型整体上对心电信号具有更好的分类和识别效果,可以更有效地识别心房颤动疾病。

MSC公司:

92 C55 生物医学成像和信号处理
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 佐治亚州戈里兹哈塔米。;Acan,A.,使用不同特征描述符的三级融合进行ECG分类,应用专家系统,114,54-64(2018)·doi:10.1016/j.eswa.2018年7月30日
[2] 陈,C。;华,Z。;张,R。;刘,G。;Wen,W.,基于CNN和LSTM组合网络的心律失常自动分类,生物医学信号处理和控制,57,第101819条(2020)·doi:10.1016/j.bspc.2019.101819
[3] Huang,J.S.,黄建军。;陈碧琴。;曾,纽约。;曹小川。;Li,Y.,使用MOWPT增强型快速压缩深度学习网络对心电图心律失常进行准确分类,《环境智能与人性化计算杂志》,2(2020)·doi:10.1007/s12652-020-02110-y
[4] O.T.伊南。;Giovangrandi,L。;Kovacs,G.,利用小波变换和时间间隔特征对室性早搏进行稳健的神经网络分类,IEEE生物医学工程学报,53,12,2507-2515(2006)·doi:10.1109/TBME.2006.880879
[5] Tran Hoai Linh;Osowski,S。;Stodolski,M.,使用Hermite多项式和神经模糊网络的在线心跳识别,IEEE仪器和测量学报,52,4,1224-1231(2003)·doi:10.1109/TIM.2003.816841
[6] 穆拉特,F。;尤迪林,O。;塔洛,M。;巴洛格鲁,美国。;德米尔,Y。;Acharya,U.R.,《利用ECG信号检测心跳的深度学习技术的应用——分析和综述》,《生物和医学中的计算机》,120,第103726条(2020年)·doi:10.1016/j.compbiomed.2020.103726
[7] Kiranyaz,S。;因斯,T。;Gabbouj,M.,通过一维卷积神经网络进行实时患者特定心电图分类,IEEE生物医学工程学报,63,3,664-675(2016)·doi:10.1109/TBME.015.2468589
[8] Rajpurkar,P。;Hannun,A.Y。;Haghpanahi,M。;伯恩,C。;Ng,A.Y.,《利用卷积神经网络进行心脏病学水平心律失常检测》,2017年,https://arxiv.org/abs/1707.01836
[9] Alquran,H。;Alqudah,A.M。;阿布·卡斯米厄(Abu-Qasmieh,I.)。;al-Badarneh,A。;Almashaqbeh,S.,使用高阶谱估计和深度学习技术进行心电图分类,《神经网络世界》,29,4,207-219(2019)·doi:10.14311/NNW.2019.29.014
[10] Mostayed,A。;罗,J。;舒,X。;Wee,W.,使用双向LSTM网络对12导联ECG信号进行分类,2018,https://arxiv.org/abs/1811.02090
[11] Yildirim,Z.,基于深度双向LSTM网络模型的新型小波序列用于心电信号分类,生物与医学中的计算机,96,189-202(2018)·doi:10.1016/j.compbiomed.2018.03.016
[12] 萨达特·内贾德,S。;奥维西,M。;Hashemi,M.,基于LSTM的ECG分类,用于个人可穿戴设备的连续监测,IEEE生物医学与健康信息学杂志,24,2,515-523(2020)·doi:10.1109/JBHI.2019.2911367
[13] Feng,K。;Pi,X。;刘,H。;Sun,K.,基于卷积神经网络和递归神经网络的心肌梗死分类,应用科学,9,9,1879(2019)·doi:10.3390/app9091879
[14] 翟,X。;Tin,C.,基于卷积神经网络的双心跳耦合自动心电图分类,IEEE Access,627465-27472(2018)·doi:10.1109/ACCESS.2018.2833841
[15] 李,H。;刘杰。;刘,R。;熊,N。;Wu,K。;Kim,T.H.,稳健船舶轨迹分析的基于维数约简的多步骤聚类方法,传感器,17,8,第1792条(2017)·数字对象标识码:10.3390/s17081792
[16] 李,H。;刘杰。;Wu,K。;杨,Z。;刘,R.W。;Xiong,N.,基于数据映射和密度的时空船舶轨迹聚类,IEEE Access,6,58939-58954(2018)·doi:10.1109/ACCESS.2018.2866364
[17] Jun,T.J。;Nguyen,H.M。;Kang,D。;Kim,D。;Kim,D。;Kim,Y.-H.,使用二维卷积神经网络对心电图心律失常进行分类,2018,https://arxiv.org/abs/1804.06812
[18] 丹·L。;张杰。;Z.Qiang。;Wei,X.,基于一维卷积神经网络的心电信号分类,2017 IEEE第19届电子健康网络、应用和服务国际会议(Healthcom)·doi:10.1109/HealthCom.2017.8210784
[19] Jangra,M。;Dhull,S.K。;Singh,K.K.,使用改进的视觉几何群网络(mVGGNet)对心电图心律失常进行分类,智能和模糊系统杂志,38,3,3151-3165(2020)·doi:10.3233/JIFS-191135
[20] Krizhevsky,A。;Sutskever,I。;Hinton,G.E.,用深度卷积神经网络进行Imagenet分类,神经信息处理系统的进展。,60, 84-90 (2017)
[21] 他,K。;张,X。;任,S。;Sun,J.,图像识别的深度残差学习,IEEE计算机视觉和模式识别会议论文集(CVPR)
[22] 桑德勒,M。;霍华德,A。;朱,M。;Zhmoginov,A。;Chen,L.-C.,MobileNetV2:反向残差和线性瓶颈,IEEE计算机视觉和模式识别会议论文集(CVPR)
[23] 李毅。;王,N。;史J。;侯,X。;Liu,J.,实际领域自适应的自适应批归一化,模式识别,80,109-117(2018)·doi:10.1016/j.patcog.2018.03.005
[24] Hochreiter,S。;Schmidhuber,J.,《长短期记忆,神经计算》,第9、8、1735-1780页(1997年)·doi:10.1162/neco.1997.9.8.1735
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。