使用心电图信号预测和分类早期心律失常的卷积神经网络-Transformer 模型

Summary

开发的模型旨在将早期心律失常分为 N、L、R、V 和 A 级。在这里，所有数据集都被组合起来创建一个主数据集，模型将其用作输入，以生成不同的心律失常类别作为输出。

Abstract

作为全球死亡的主要原因，心血管疾病（尤其是心律失常）需要创建精确的自动化技术以进行早期诊断和检测。为了从心电图 （ECG） 信号中识别心律失常，本文引入了一种基于深度学习的分类模型，该模型侧重于五种主要心跳类型：正常 （N）、左束支传导阻滞 （L）、右束支传导阻滞 （R）、房性早搏 （A） 和室性早搏 （V）。我们利用来自多个来源的导联 I 信号，例如 INCART 12 导联、心源性猝死动态心电图、室上和 MIT-BIH 心律失常数据库，产生了超过 390 万个训练和 112,575 个测试片段。

数据准备的示例包括 180 个样本、固定窗口分割、最小-最大归一化以及使用合成少数过采样技术 （SMOTE） 的类平衡。混合架构使用 Transformer 层对时间依赖关系进行建模，并使用 1D 卷积神经网络 （CNN） 来提取空间特征。具有 dropout 和 batch normalization 的 Adam 优化器用于正则化，用于训练模型。

所提出的系统优于 TN4 模型和其他尖端基准，在所有类别中实现了 99.99% 的准确率、精度和 F1 分数。通过应用深度混合架构和卷积神经网络，特征鲁棒性得到了进一步的提高，这些架构是由早期研究推动的。所建议的范式推进了人工智能驱动的个性化数字医疗保健，并在可扩展的实时心律失常识别方面有很大的希望。

Introduction

根据世界卫生组织 （WHO） 的数据，心血管疾病 （CVD） 仍然是全球主要的健康问题之一，每年占全球死亡人数的近 31%¹。这些病例的一个重要子集涉及心律失常 - 心律不齐，范围从良性到危及生命。心律失常通常以不规则的时间为标志。这些中断极大地增加了患者的发病率和死亡率，增加了中风、心力衰竭和心脏骤停等严重健康问题的风险。因此，心律失常的早期识别和准确分类对于改善患者预后、管理医疗保健成本和提高心脏护理质量至关重要²。

心电图 （ECG） 仍然是检测心律失常的关键无创诊断工具。通过将心脏的电活动捕获为视觉波形，心电图使临床医生能够识别可能指向特定心律失常模式的细微变化³。然而，由于从业者之间的个体差异，手动解释 ECG 信号非常耗时且容易出现变化，这引入了人为误差的余地。在处理大量数据集或识别细微的心律失常时，这些挑战会被放大。随着全球向数字医疗保健的转变，对能够提供一致、实时心电图分析的可靠和自动化诊断系统的需求越来越重要⁴。

传统的机器学习模型已应用于 ECG 分析，并取得了一定的成功;但是，它们对手工功能和特定领域专业知识的依赖带来了明显的局限性。为了解决这....

Protocol

1. 获取数据集

1. 获取公开可用的心电图 （ECG） 数据集，以开发和验证心律失常分类的深度学习模型⁷。
2. 结合来自 MIT-BIH 心律失常数据库、MIT-BIH 室上性心律失常数据库、圣彼得堡 INCART 12 导联心律失常数据库和心源性猝死动态心电图数据库的 Lead-I 数据集。
   注意：选择数据集是因为它们在患者人口统计学和心律失常类型的多样性，确保模型可以在不同的病例中泛化。每个数据集都提供高质量的带注释的 ECG 记录，涵盖一系列心跳类别。仅提取导联 I 数据并在所有数据集中使用，以标准化输入，保持一致性并专注于最具诊断相关性的信号。 如图 1 所示，导联 I 测量右臂（负极）和左臂（正极）之间的电位差，导联 II 测量右臂（负极）和左腿（正极）之间的电位差。 表 1 说明了主体数据集是通过组合 4 个数据集并消除 null 值创建的，该文件名为 Alldata.CSV。

2. 数据预处理

1. 将 Alldata.CSV 中的数据分为两部分 - train 和 test。在预处理 2 中，从 Alldata.CSV 中过滤 N、L、R、A、V 类，然后将其分为两部分——训练和测....

Results

所提出模型的性能指标
针对每个心律失常类别计算所提出模型的准确性、敏感性、特异性和 F1 评分。该模型的性能在 MIT-BIH 和其他相关的 ECG 数据库上进行评估。主要结果总结如下：

准确性：混合 CNN-Transformer 模型在 MITDB 数据集上达到 99.32% 的准确率，在组合数据库上达到 97.15% 的准确率，证明了该模型在不同心电图来源上的稳健性¹⁹。

敏感性和特异性： 该模型的敏感性为 97.75%，特异性为 99.51%，分别突出了其在正确识别心律失常和非心律失常病例方面的有效性。高灵敏度对于确保临床诊断中最小的假阴性尤为重要。

与基线模型的比较分析
本节对所提出的模型与 TN4 模型和 ECG 心律失常分类中其他最先进的方法进行了比较分析。比较侧重于关键指标，例如灵敏度、特异性和准确性，以及各种模型的整体性能

Discussion

本研究的结果表明，混合 CNN-Transformer 模型以更高的准确性、敏感性、特异性和 F1 评分熟练地对心电图心律失常进行分类，明显优于传统的仅 CNN 和 CNN-LSTM 模型。合并 Transformer 层增强了模型捕获时间依赖性的能力，这是 ECG 分析的关键要素。此外，连续小波变换 （CWT） 提供了广泛的时频特性，使 CNN 层能够区分心律失常类型之间的细微波形变化。这些发现强调了混合架构在管理心电图数据复杂性方面的有效性，尤其是在识别心律失常发作方面。

此外，该模型在不同数据集中表现出显着的泛化性，解决了心律失常分类研究中的关键差距。通过集成 SMOTE 等高级预处理方法，该研究确保了所有心律失常类型的平衡表示，尤其是不太常见的心律失常类型，这些类型在传统模型中经常被错误分类。事实证明，混合架构同时学习复杂空间和时间特征的能力对于稳健分类至关重要。

它的可扩展性表明具有更广泛的应用潜力，包括集成到可穿戴设备中以进行持续监控。这些进步强调.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
计算机系统			（用于训练） 处理器：AMD Ryzen 7 7840HS，CPU RAM：16 GB，GPU RAM：6GBNVIDIA GeForce RTX 3050
不平衡			python 包，用于重采样
pytorch			PyTorch 是一个 Python 包，提供两个高级功能： - 张量计算（如 NumPy），具有强大的 GPU 加速 - 基于基于磁带的autograd系统
Seaborn			基于matplotlib的Python可视化库。
读取、写入、处理和绘制生理信号和注释数据	WFDB