【《心律失常自动分类技术国内外发展及研究现状文献综述》3200字】

心律失常自动分类技术国内外发展及研究现状文献综述1心律失常自动分类技术发展阶段本文根据有关心律失常分类技术的相关研究成果将心律失常自动分类技术大致分为以下几个阶段：(1)早在20世纪70年代，心律失常分类的研究就步入正轨，当时主要是在单导联心电数据上进行相关技术开发，主流的技术手段以频谱分析和数字滤波为主，是通过统计心电图上不同特征来对心律失常诊断。(2)在20世纪80年代后，QRS波群检测技术逐渐成熟大量论文涌现，并依此诞生出了许多以模式识别技术有关的心律失常检测算法，这类算法尚不能明确回答心律失常明确的类别，只能根据算法设计的模式回答是和否。(3)上个世纪90年代，以人工神经网络为首的机器学习技术在心律失常分类领域上崭露头角，同时数字滤波和频谱分析在心律失常分类领域成果不断。值得注意的是，MAJabri[3,4]于1991年先后使用两条心内导联结合神经网络对心动过速和室上性、室性心律失常进行分类，这是首次将多导联和神经网络相结合的案例。(4)进入21世纪，以卷积神经网络、循环神经网络模型在单导联的心拍和时间片上心律失常分类领域先后取得不错的成果。直至2019年，多导联心电图的多标签心律失常分类才逐渐发展。2心律失常自动分类的研究现状心律失常作为心血管疾病中最为常见的一组疾病，在临床上有诊断繁琐、种类繁多的特点。心律失常自动诊断领域愈发成熟，越来越多的新方法不断提出。本文根据近些年来心律失常自动分类算法的设计思路，笼统地将心律失常分类算法分为以下两类，基于传统方法和基于深度学习的分类算法。图1.1图1.1心律失常分类算法步骤Fig1.1Stepsofarrhythmiaclassificationalgorithm信号处理在预处理阶段起着重要作用，由于心电信号是通过将电极放置在人体表面来获得的，这无疑会导致信号受噪声的污染，常见干扰如肌电干扰、工频干扰、运动伪影、基线漂移等。在心电分类任务中，这些干扰极大程度上降低了算法的精度和性能，去除这些干扰是至关重要的。不仅如此，不同设备的采样率也不一致，在综合这些数据进行统一分析时，往往需要数据做归一化处理，保证不同来源的数据基本参数保持一致。这也就是为什么在传统心律失常分类算法中第一个步骤是数据预处理。在消除噪声方法中最广泛的处理方法是实现递归滤波器[5-8]和小波变换[8]。也有部分研究人员对不同的噪声提出了不同的去噪算法。在去除基线漂移干扰方面，Sadiq和Shukr等人[9]使用离散小波变换、Korurek、Khazaee等人[6,10]均使用中值滤波加以尝试。Zeraatkar等人[7]使用陷波滤波器消除了工频干扰，并使用巴特沃斯滤波器过滤肌电干扰。在进行数据预处理之后，需要对心电信号进行特征提取工作，常见的心电信号特征包含各种波的宽度、形状和幅值以及心电信号的周期性等特征，这些形态特征的优点在于直观，可解释性强，但需要对心拍的各个波段进行精细的定位。目前来说心电图波型检测成果较为显著，诸多算法得到广泛应用，比如检测R幅值的峰值检测算法[7,11]、测算RR间期的固定阈值算法[12]、经验模态分解[15,16]、最为经典的QRS检测算法Pan-Tompkins算法[6,13,14]等。虽然直接提取形态特征的方法很直观，但是倘若不能对这些波形进行精确定位，那么极大程度上影响后续分类器的精度。那能不能通过一些间接方式的方式得到一些有效、较少的能够表示心拍的特征呢？目前采用传统机器学习框架的论文选取这样方法：使用一些希尔伯特变换、傅里叶变换等数字变换技术处理心电图，得到较少的特征如心律变异性[17]等，代表该心拍。小波变换[17-21]相较于传统傅里叶变换等方法，可以将数据分割成不同信号分量，并存储频率和未知信息，也在心电分析中被广泛使用。根据上述所提取出的心电特征，可以使用机器学习相关算法进行心律失常分类任务。例如：Joshi[10]Khazaee[11]以及WenliangZhu[22]等人使用形态学特征对心律失常进行分类均使用了支持向量机，Das使用了线性分类器和贝叶斯网络[13]对MIT-BIH心电数据进行分类，Sadiq[9]和Zhang[17]均在小波提取特征后使用了决策树进行分类，Oliveira[15]使用了动态贝叶斯网络对心律失常加以分类。随着深度学习在图像、自然语言处理等领域大放异彩，医疗领域也逐渐拥抱深度学习技术。SerkanKiranyaz等人[23]率先使用浅层一维卷积神经网络来对心电图加以分类。Acharya等人提出了11层CNN来对心电图进行四分类算法研究[24]。Zhaixiaolong、TianChuang[25]将心电信号转换成二维矩阵，将其输送到二维卷积神经网络中进行心律失常分类，并在室上性早搏和室性早搏的分类上得到显著提升。Sellami、Hwang等人[26]着手于MIT心电数据库在类别样本不均衡问题，通过设计一个动态的基于Batch的加权损失，来降低样本不平衡的影响。RajendraAcharya等人设计了9层CNN对5种ECG类别加以分类，得到极高准确率[27]。在最初使用神经网络来对心律失常分类问题时往往以单个心拍作为算法的判别对象，首先通过一系列的心拍分割方法将单个心拍从心电记录上截取下来，再以单心拍为模型输入进行以心拍为划分的心律失常分类算法研究。直到2017年PranavRajpurkar、AwniY.Hannun、吴恩达等[28]斯坦福机器学习团队通过一款端对端的1D卷积深度神经网络达到了在单导联心电图上心律失常分类比心内科专家还要好的成果，可以对12中心律进行分类。该项工作是以单导联心电信号作为输入的多分类任务，相较于前期神经网络在心律失常自动分类工作中仍以单个心拍作为分类对象，该工作直接以原始心电信号作为输入，一方面降低心电信号预处理上由于滤波导致的信号失真而导致的后续问题，同时也降低了预处理阶段的工作量；另一方面，基于心拍分类算法往往是训练同一患者的部分心拍，再对同一患者的其余心拍进行测试，因为同一患者的心拍或多或少在形态上相似，这会导致算法效果过于乐观泛化能力较弱，而端到端的心律失常算法避免了上述问题更符合实际临床情况。在此之后，端对端的心律失常自动分类算法如雨后春笋般涌现。比如JingshanHuang[29]将时域的心电信号转为二维时频心电图作为二维卷积神经网络的输入获得较佳的分类水平。P.Wang[30]提出基于ACGAN的数据增强以及残差网络和LSTM的级联模型去进行心律失常多分类算法。RunnanHe[31][32]等人先后提出了深度残差网络和双向LSTM级联模型对心律失常进行9分类操作和基于Attention的Res-BiGRU模型用于多导联心律失常分类的研究。虽然近些年对心律失常分类的研究不曾间断，单是Attention等深度学习中各种技术广泛应用于心律失常分类任务中。许多文章[33,37]表明多导联心律失常分类算法也得到长足发展。在多导联多标签分类问题上华东师范大学的ChengbinHuang等人[38]提出以基于注意力机制的Res-BiLSTM网络模型实现任意长度的12导联心电信号的9类心律失常多标签分类模型，其网络首先将心电信号分成若干个长度固定的信号段，以基于注意力的残差网络提取特征，并将提取到的特征以时间顺序输入到后续BiLSTM模型并加以分类。清华大学的JinjingZhu等人[39]则是将多标签问题转换成多个二分类问题，在模型方面添加了SE-ResNet模块提高网络性能。KeWang等人[40]则在深度学习的模型上结合人工特征对心律失常多分类任务进行研究。DongyaJia等人[41]以集成网络作为12导联心律失常多标签分类问题的切入点设计了网络模型，分别设计了多任务模块和时序分析模块，在多任务模块中将多标签任务视为多个二分类任务。众多方法[42-46]在多导联多标签的心律失常分类问题上在不同程度上使用了诸如残差网络、LSTM、卷积神经网络这些常见模型或者将这些模型加以组合。参考文献中国心血管健康与疾病报告编写组.中国心血管健康与疾病报告2019概要[J].中国循环杂志,2020,35(9):833-854.中华人民共和国国务院.中国防治慢性病中长期规划(2017-2025年)[J].中国实用乡村医生杂志,2017,24(011):6-11.LeongP,JabriMA.Arrhythmiaclassificationusingtwointercardiacleads[C]//ComputersinCardiology.IEEE,1991.ChiZ,JabriMA.Identificationofsupraventricularandventriculararrhythmiasusingacombinationofthreeneuralnetworks[C]//ComputersinCardiology1991,Proceedings.IEEE,1991.EduardoJosédaS.Luza,BWRS,GuillermoCámara-Cháveza,etal.ECG-basedheartbeatclassificationforarrhythmiadetection:Asurvey[J].ComputerMethodsandProgramsinBiomedicine,2016,127(C):144-164.MehmetKorürek,DoanB.ECGbeatclassificationusingparticleswarmoptimizationandradialbasisfunctionneuralnetwork[J].ExpertSystemswithApplications,2010,37(12):7563-7569.ZeraatkarE,KermaniS,MehridehnaviA,etal.Arrhythmiadetectionbasedonmorphologicalandtime-frequencyfeaturesofT-waveinelectrocardiogram[J].JournalofMedicalSignals&Sensors,2011,1(2):99-106.IzciE,OzdemirMA,SadighzadehR,etal.ArrhythmiaDetectiononECGSignalsbyUsingEmpiricalModeDecomposition[C]//MedicalTechnologiesNationalCongress.0.A.T.Sadiq,N.H.Shukr.ClassificationofCardiacArrhythmiausingID3ClassifierBasedonWaveletTransform[J].IraqiJ.ofSci.,2013,54(4):1167-1175.N.P.Joshi,P.S.Topannavar.Supportvectormachinebasedheartbeatclassification[J].Proc.of4thIRFInt.Conf.,2014,140-144.KhazaeeA.HeartBeatClassificationUsingParticleSwarmOptimization[J].InternationalJournalofIntelligentSystems&Applications,2013,5(6):25-33.WangJS,ChiangWC,YangYTC,etal.AnEffectiveECGArrhythmiaClassificationAlgorithm[M]//Bio-InspiredComputingandApplications.SpringerBerlinHeidelberg,2012.DasMK,AriS.ECGBeatsClassificationUsingMixtureofFeatures[J].InternationalScholarlyResearchNotices,2014,(2014-9-17),2014,2014:1-12.PanJ,TompkinsWJ.AReal-TimeQRSDetectionAlgorithm[J].1985,BME-32(3):230-236.OliveiraLSC,AndreaoRV,FilhoMS.BayesianNetwork