使用多导联ECG信号的两阶段深度CNN架构对低风险和高风险高血压进行分类

医学信息学解锁21（2020）100479使用多导联ECG信号对低风险和进行分类的两阶段深度CNN架构PiyushJain a，Pranjali Gajbhiye a，R.K. Tripathy a，*，U. Rajendra Acharya b，c，da印度海得拉巴市海得拉巴校区BITS-Pilani电气和电子工程系，邮编：500078b新加坡义安理工学院电子与计算机工程系c台湾台中亚洲大学生物资讯与医学工程系d国际先进科学和技术研究组织，熊本大学，日本A R T I C L EI N FO关键词：高血压多导联心电图卷积神经网络精度A B S T R A C T高血压病理学是血压升高，这可能导致心脏、神经和肾脏疾病。因此，尽早发现和治疗高血压非常重要。在临床标准中，监测24小时动态记录的血压信号用于诊断隐匿性高血压。这种诊断隐匿性高血压的过程是繁琐的，因此基于信号处理和机器学习技术的自动化诊断对于高血压的检测更有用。利用心电图（ECG）或体积描记器（PPG）信号对高血压进行自动检测和低风险与高风险高血压类型的分类在本文中，我们提出了一种两阶段深度卷积神经网络（CNN）方法，用于使用多导联ECG信号对低风险和高风险高血压类别进行自动分类。第一阶段深度CNN由两个卷积层、两个池化层和两个全连接层组成，并且其用于使用多导联ECG信号检测高血压。类似地，第二阶段CNN包括四个卷积层、四个池化层和三个全连接层，其用于根据在第一阶段深度CNN中检测到的高血压多导联ECG信号对低风险与高风险类别进行分类。所提出的DNN架构进行了测试，多导联心电图信号从公共数据库。结果显示，第一阶段深度CNN检测高血压的平均准确度、灵敏度、特异度、F评分和Kappa值分别为99.68%、99.51%、100.00%、0.997和0.993。第二阶段深度CNN已经产生了平均准确性，灵敏度，特异性，F-低危组和高危组的Kappa值分别为90.98%、85.92%、96.00%、0.905和0.819高风险ECG信号。所提出的两阶段深度CNN方法可以部署在基于云的框架中，用于使用多导联ECG信号自动检测高风险和低风险高血压类别。1. 介绍高血压疾病被解释为高血压状况，其中动脉周围的血液压力增加[1，2]。在高血压的情况下，心脏将氧合血泵送到全身将是一项更艰巨的任务持续高血压会增加心血管、神经和肾脏疾病[3根据世界卫生组织（WHO）的报告，目前有超过13亿人患有高血压[2，6]。视力的变化，头痛，头晕，等等。是高血压病理的症状在临床标准中，高血压分为三个阶段，即轻度、中度或一般、重度[7]。对于正常在受试者中，血压范围给出为收缩压：120-139 mm Hg和舒张压：80-89 mm Hg。轻度高血压的特征是收缩压和舒张压范围分别为[140类似地，中度或平均高血压分别与[160-179 mm Hg]和[100-109 mm Hg]的收缩压和舒张压范围相关。 此外，收缩压和舒张压范围如超过180 mm Hg和超过110 mm Hg分别被称为高血压的严重阶段。对于高血压的诊断，临床标准中考虑了24小时动态血压记录和监测[8-10 ]。通常，白大衣和掩蔽高血压类在临床实践中基于动态血压诊断。* 通讯作者。 印度海得拉巴市BITS Pilani区卫生部电子邮件地址：rajeshiitg13@gmail.com（R.K. Tripathy）。https://doi.org/10.1016/j.imu.2020.100479接收日期：2020年7月20日;接收日期：2020年10月26日;接受日期：2020年2020年11月13日网上发售2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuP. Jain等人医学信息学解锁21（2020）1004792×±±±±记录血压信号[10]。这种高血压病理诊断过程是耗时的，因此基于计算智能的诊断方法用于高血压的检测[6]。ECG信号已用于基于机器学习方法估计血压（收缩压和舒张压）的非侵入性方式[11，12]。使用机器学习方法的ECG信号自动分析已用于检测高血压[6]。高血压的自动检测以及使用深度学习技术从ECG信号中对低风险与高风险高血压类别进行分类是心血管工程中具有挑战性的研究课题。近年来，基于心率变异性（HRV）、心电图（ECG）和容积描记图（PPG）信号分析的自动化方法已用于高血压检测[7，13从HRV信号中提取的非线性特征已用于预测高危高血压[16]。类似地，Ni等人提出了使用HRV信号的线性和非线性特征来区分正常和高血压类别。[7]。此外，Melillo等人。[17]已经考虑了用于检测高风险高血压的各种机器学习算法。最近，Rajput等人[14]使用小波滤波器组从ECG中提取子带信号。他们从这些子带中提取了对数能量特征，并制定了用于区分低风险和高风险高血压受试者的诊断指标。类似地，Soh等人[6]开发了一种计算智能工具，使用ECG信号对高血压和正常受试者进行分类。他们使用经验模式分解（EMD）从ECG信号中提取本征模式函数。已从ECG的这些模式中提取了各种熵和其他非线性特征[6]。分类器，如决策树，k-最近邻（KNN）和线性判别分析（LDA）模型已被用于正常和高血压类的分类使用ECG的模态特征。的基于PPG信号的高血压检测方法已经得到了广泛的应用。在Refs中创建。[15，18]分别。在参考文献中。 [15]，作者从PPG信号中提取了不同的诊断特征，并使用最近邻分类器检测高血压。使用HRV、PPG和ECG信号检测高血压的现有方法已经提取了各种手工特征。最近，已经提出了基于深度学习的方法来检测高血压[18]。在参考文献[18]中，作者提取了时间-频率2. 方法所提出的用于检测高血压的基于两阶段多通道深度CNN的方法以及低风险与高风险类别的分类分别在图1（a）、图1（b）中描绘。用于两级深度CNN架构的多导联信号在第2.1小节中描述。类似地，我们在第2.2节中描述了所提出的多通道深度CNN架构的理论。用于评价分类结果的性能指标见第2.3节。2.1. 多导联ECG数据库在这项工作中，我们收集了多导联心电图信号从两个公共数据库。正 常 （ 健 康 ） 病 例 的 多 导 联 ECG 信 号 来 自 Physikalisch-TechnischeBundesanstalt（PTB）诊断数据库[23-25 ]。在PTB数据库中，提供了正常和病理病例的12导联ECG（I、II、III、aVR、aVL、aVF、V1-V6），并以1000 Hz采样。同样，从智能健康获取高血压受试者的3导联ECG信号，用于通过ECG（SHAREE）数据库访问事件风险[17，25]。SHAREE数据库中的每个信号持续时间为24小时，采样频率为128 Hz。SHAREE数据库包含139个三导联ECG记录（导联I、导联II和导联V1）。在139个记录中，122个和17个是3导联ECG记录，包括低风险和高风险高血压类别。低风险和高风险高血压类别的收缩压范围为136。六点十九分5，141。70 23. 5，分别。 类似地，低风险和高风险高血压类别的舒张压范围为76。319. 1，73。五点八4，分别用于SHAREE数据库[26]。此外，从PTB数据库中获取了73个正常多导联ECG记录。在这项工作中，我们已经下采样到128 Hz的PTB数据库的12导联ECG信号。铅I，铅II，并且使用来自两个数据库的导联V1 ECG信号。来自属于导联I、导联II和导联V1的正常和高血压类别的前12000个样本被馈送到第1阶段深度CNN。类似地，对于阶段2深度CNN情况，来自SHAREE数据库的每个多导联ECG记录被分割成帧，每个持续时间为3 12000。在这项研究中，我们考虑了1141多导联心电图帧，从每个类别的分类低风险与高风险类在阶段2深CNN.矩阵X从的PPG信号，和使用谷歌net的二维（2D）CNN作为高血压检测的迁移学习框架。使用多导联ECG测量心脏电活动的时空信息[19]。利用多导联心电图自动检测和分类低风险和高风险高血压是一个具有挑战性的问题。深度学习方法具有优势，例如它不需要从ECG中提取手工制作的特征，如参考文献[6]中提到的用于检测高血压的特征。在深度神经网络的不同阶段提取的可学习特征用于病理检测。卷积神经网络（CNN）已用于使用多导联ECG检测心脏疾病[20因此，通过考虑不同ECG通道信息开发的深度CNN架构将有效用于低风险和高风险高血压类别的准确分类。在这项工作中，我们提出了一个两阶段深度CNN框架，用于使用多导联ECG信号自动分类低风险和高风险高血压类别。本文的其余部分写如下。在第2节中，我们讨论了所提出的用于分析多导联ECG的多通道深度CNN的理论。结果和结果讨论见第3节。最后，在第4节中总结了本文的结论。2.2. 多通道深度CNN图2（a）-（c）和图2（d）-（f）分别描述了健康和高血压类别的导联I、导联II和导联V1 ECG信号。对于健康和高血压类别，每个导联ECG信号的逐搏变化和其他形态特征是不同的[27]。因此，3导联ECG信号可以用于高血压的检测。在这项研究中，我们提出了一个两阶段的CNN框架，用于使用3导联ECG信号检测高血压和低风险与高风险高血压类别的分类第一阶段（高血压类别检测）深度CNN网络包括两个Fig. 1. （a）使用多导联ECG信号的高血压检测。(b)根据检测到的高血压多导联ECG信号对低风险与高风险类别进行分类。P. Jain等人医学信息学解锁21（2020）1004793∈∈ ∈（）（）下一页i、i、∈（）图二. （a）健康类的导联I ECG信号。(b)导联II ECG信号用于健康类别。(c)导联V1 ECG信号为健康类。(d)导联I ECG信号用于高血压类。（e）高血压等级的导联IIECG信号（f）导联V1 ECG信号用于高血压分类。卷积、两个池化和两个全连接或密集层，以及其结构如图3所示。 此外，第二阶段的深度CNNX2pb2=max[X1pi1b（2）由四个卷积、四个池化和三个密集层组成。的一个2，a1+，1+图4中描绘了阶段2深度CNN架构。阶段1和阶段2深度CNN的第一卷积层都是2D卷积层，并且在导联和样本方向 多导联心电图由X给出Rm×n。 m和n分别对应于ECG导联和样本编号。特征 地图 获得 在 的 第一 卷积层 是 给出参考文献[28、29]：n其中i，m，1和j，n， 1是第一池化层内核的索引。m1和n1是第一池化层中内核的大小。所提出的多通道深度CNN的第三层是一维（1D）卷积层，并且在该层中产生的第q个特征图计算如下：X3qf[∑q1k2qX2pb2q]（3）[∑m ∑]X1p=fKpX（a+i）（b+j）+bpa3，b3=J2j2=1a2，b2+j2+j2a1，b1i=1j=1i、ji、j特征图。参数k2和b2分别是第二个在等式（1）中，Kp是第p个特征图的第一卷积层中的2D内核参数bp是第p个特征图的偏差。激活函数f。在该层中考虑的是整流线性单元（ReLU）函数。参数a和b是3导联ECG矩阵的行索引和列索引。类似地，a1和b1是行和列在第一卷积层中获得的第p卷积层。参数q是在深度CNN的第三层中评估的第q个特征图。 类似地，所提出的深度CNN中的第四层是1D最大池化层，并且该层的特征图被评估为[29，31]，X4q4b4=max[X3q3b3j3]（ 4）本发明公开了一种复合材料，所提出的深度CNN中的第二层是1D最大池化层，a、+并且在该层中获得的特征图被评估如下[29，30]：其中j3 1，n 2和n2是该1D最大池化层中的内核的大小。使用所提出的CNN的第二池化层计算的特征图被平坦化，并且第五层的特征向量是其中a2和b2是第二层（一P. Jain等人医学信息学解锁21（2020）1004794图三. 提出了使用3导联ECG信号检测高血压的第1阶段CNN架构。P. Jain等人医学信息学解锁21（2020）10047955.z=gWx6+b6（6）我见图4。 提出了第2阶段深度CNN架构，用于使用3导联ECG帧对低风险与高风险高血压类别进行分类。表示为x5。所提出的深度CNN的第六层是密集层，并且该层的特征向量被计算为，x6 = g。西Tx5+b5）（5）表1用于第1阶段深度CNN架构的超参数，用于使用多导联ECG信号检测高血压。其中g（. ）是sigmoid激活函数。w5和b5是权重层数图层类型图层参数输出形状数量的参数矩阵X和偏置向量[32]。在输出层，深度CNN的假设评估如下：层0输入无参数3× 012000不6在等式（6）中，W6和b6是权重矩阵X，以及用于在输出层[32]中评估假设的偏置向量本研究第1层 Conv 2D过滤器数量=16;过滤器大小=（3，5）;步幅=（1，1）;输入形状=（3，12000，1）;1×11996 ×16256使用二进制交叉熵作为深度第2层 MaxPooling1D激活=ReLu池大小=（1，5）; 1× 0CNN，该函数如下所示[33]：J=-1Σtilog2（zi）+（1-zi）log2（ti）（7）步幅=（1，5）第3层 Conv 1D过滤器数量=32;2399×161×2，592我i= 1Kernel size=（1，5）; Strides=（1，1）;2395×32其中，zi和ti是第i个多导联ECG实例的假设和实际类别标签。参数第4层 MaxPooling1DActivation= ReLu池大小=（1，5）;1 ×479× 0ECG训练实例。 批量梯度下降（BGD）算法是步幅=（1，5）32用于获取各级深度CNN的训练参数。使用hold-out，5-第6层密集隐藏神经元的数量=100;100 1532900折叠和留一交叉验证（CV）方法[34，35]。70%、10%和20%的三导联ECG实例被认为是两个阶段深度CNN模型的训练、验证和测试集。在这项工作中，我们平衡了两个类的实例数量，第7层输出激活=Sigmoid神经元数量=1;激活=Sigmoid1 101第一阶段深度CNN模型的训练。阶段2深度CNN模型为每个类别使用1141个多导联ECG帧。因此，在第2阶段深度CNN模型中不会出现类不平衡问题对于第1阶段深度CNN的保持和5倍CV方法，考虑批次大小5和时期数16类似地，对于阶段2深度CNN，批量大小为5，并且使用的epoch数量为10。每个卷积层中的滤波器数量、第1级和第2级深度CNN的每个层的输入和输出形状分别如表1和表2在这项研究中，我们使用准确性，灵敏度，特异性，精度，F1评分和cohen Kappa来评估第1阶段和第2阶段多通道深度CNN分类器的性能[34]。3. 结果和讨论在本节中，我们介绍了通过使用三导联ECG信号检测高血压的提议的两阶段深度CNN框架获得的结果，以及低风险与高风险高血压类别的分类。还对训练后在阶段1多通道深度CNN的第六层中获得的可学习特征进行统计分析。据观察，所有100个功能在第六层有不同的平均值为高血压和正常类。在第六层中获得的所有100个特征的p值小于0.001，因此发现在第六层中获得的可学习特征对于正常和高血压类别的分类具有临床意义。阶段1多通道深度CNN分类器对hold-out、5-fold和leave-one第5层展平无参数153280P. Jain等人医学信息学解锁21（2020）1004796表2用于第2阶段深度CNN架构的超参数，用于使用多导联ECG信号分类低风险与高风险高血压类型。折叠1、折叠3和折叠4病例为100%。对于第1阶段多通道深度CNN分类器，使用5倍CV的精度、F1评分和Kappa测量结果相似。对于折叠2，准确度，灵敏度，层数图层类型图层参数输出形状数量的参数使用阶段1多通道深度CNN获得的特异性值分别为95.24%、96.55%和92.31%对于折叠2和折叠5，层0输入无参数3× 012000第1阶段多通道深度CNN模型的Kappa评分值分别为0.888和0.899。此外，第1阶段多通道深第1层 Conv 2D过滤器数量=256，过滤器大小=（3，5）;步幅=（1，1）;输入形状=（3，12000，1）;激活=整流线性单元（ReLu）第2层 MaxPooling 2D池大小=（1，5）;步幅=（1，5）第3层 Conv 1D过滤器数量=128，过滤器大小=（1，5）;步幅=（1，1）;输入形状=（1，2399，256）;1×11996×2561×2399×2561×2395×12840960163968CNN分类器性能也使用留一法CV（LOOCV）技术进行评估LOOCV分类指标的平均值见表5。对于LOOCV，我们考虑了第1阶段多通道深度CNN的211倍CV，并基于所有211倍CV的平均值显示使用LOOCV针对阶段1多通道深度CNN评估的混淆矩阵如表6所示。据观察，第1阶段多通道深度CNN的平均准确度、F1得分和Kappa得分值分别为98.10%、0.985和0.957对于使用LOOCV的第1阶段多通道深度CNN，发现灵敏度值为上述对保留、5倍和留一CV方法的观察结果表明，第4层MaxPooling2DActivation= ReLu池大小=（1，5）;1 ×479× 0阶段1有效提取多通道深度CNN架构网络的第六层中的相关特征，用于分类步幅=（1，5）第5层 Conv1D过滤器数量=64，过滤器大小=（1，5）;步幅=（1，1）;输入形状=（1，479，128）;1281 × 475 ×6441024正常和高血压类。此外，低风险与高风险高血压类型的分类结果使用第2阶段深度CNN模型进行评估。对于5项随机试验的保留CV和5倍CV结果，第6层MaxPooling2D激活=ReLureturn（1，5）;1 ×95× 0准确度、灵敏度、特异性、精密度、F1评分和Kappa评分分别见表7和表8。在图6中，我们步幅=（1，5）第7层 Conv1D过滤器数量=32，过滤器大小=（1，5）;步幅=（1，1）;输入形状=（1，95，64）;641× 91×3210272已经显示了使用hold-out CV的第2阶段深度CNN的训练和验证精度与epochs图。可以观察到，第2阶段深度CNN模型的训练和验证准确度值都超过90%。从保持CV结果可以明显看出，对于第8层MaxPooling2D激活=ReLureturn（1，5）;1 ×18× 0低风险与高风险高血压分类任务，第2阶段深度CNN获得了100%的灵敏度值，且特异度值更高步幅=（1，5）3284%以上。此外，Kappa值越高，第9层展平无参数576 0大于0.84，并且F1得分值大于0.92也使用层10隐藏神经元的密集数量=250;250 144250第2阶段深度CNN用于低风险与高风险的分类层11密集激活=Sigmoid神经元数量=1;激活=1 251使用三导联心电图框架的紧张课程同样，可以注意到，从表8可以看出，阶段2深度CNN在5倍CV的每一倍中获得了大于85%的准确度值F1得分值大于乙状输出CV技术分别示于表3、表4和表5中。在表3中，我们已经使用随机保持CV的五次试验评估了阶段1多通道深度CNN分类器除第三次试验外，所有试验的准确度、灵敏度、特异度和精密度第三次试验的准确性、敏感性和特异性分别为98.41%、97.56%和5个随机试验的准确性、敏感性、特异性、F1评分和Kappa评分的平均值使用阶段1多通道深度CNN计算的训练和验证多导联ECG实例的准确度与历元图如图所示。 五、在这项工作中，10%的多导联ECG实例用于验证。据观察，对于所提出的多通道深度CNN模型，训练和验证准确率分别为100%和94%。此外，从表4中，我们可以观察到灵敏度和特异性值分别为表3在阶段2深度CNN分类器的每个折叠中也观察到0.85。 上述观察结果表明，所提出的两阶段深度CNN在使用三导联ECG信号的检测和分类阶段在这项研究中，我们的目标是开发一种两阶段多通道深度CNN架构，用于使用多导联ECG信号检测高血压并分类低风险与高风险高血压类型。阶段1和阶段2中的多通道深度CNN对于不同的CV方法都表现出更高的分类性能。此外，我们将使用所提出的方法获得的结果与基于使用PPG和单导联ECG信号的现有方法进行了比较，比较表如表9所示。在参考文献中。[15]，作者考虑了脉冲到达时间（PAT）和PPG信号的各种形态特征，如幅度、斜率、时间跨度、波形面积等，结合KNN分类器，用于正常和高血压类别的分类。他们获得了94.26%的灵敏度、特异性和F1评分值我们开发的CNN模型使用五次试验的随机保留交叉验证获得的分类结果审判准确度（%）灵敏度（%）特异性（%）精密度（%）F1得分KappaT110010010010011T210010010010011T398.4197.561001000.9870.965T410010010010011T510010010010011平均99.6899.511001000.9970.993STD0.711.09000.0050.015P. Jain等人表4医学信息学解锁21（2020）1004796使用5倍交叉验证为我们开发的CNN模型获得的分类结果倍准确度（%）灵敏度（%）特异性（%）精密度（%）F1得分KappaF110010010010011F295.2496.5592.3196.550.9650.888F310010010010011F410010010010011F595.2410088.2492.590.9610.899平均98.0999.3196.1197.820.9850.957STD2.601.545.513.280.0200.058表5使用LOOCV为我们开发的CNN模型获得的分类结果不同的熵等，并使用三种机器学习模型，如KNN，线性判别分析（LDA）和决策树的高血压检测。他们报告了敏感性和准确度（%）灵敏度（%）特异性（%）精密度（%）F1-评分Kappa使用KNN分类器，特异性值为98.90%和89.10%。从表9中可以注意到，使用98.10 100 94.52图五. 第1阶段深度CNN模型的训练和验证三导联ECG实例的准确度与历元图。表6使用LOOCV为所提出的多通道深度CNN获得的混淆矩阵。实际预测三导联实例正常高血压三导联正常69 4高血压0 138例96.17%和0.948。类似地，在另一项研究[18]中，作者使用连续小波变换（CWT）进行PPG信号的基于时频的二维（2D）表示。他们使用基于Google Net的迁移学习方法，使用PPG信号的时频表示检测高血压，并报告F1评分值为0.925。 类似地，在参考文献[6]中，作者开发了一种基于提取各种非线性特征（如高阶光谱）的自动方法，表7多导联ECG信号的分类灵敏度、特异性和F1评分值均高于其他方法。我们的方法的优点如下：(i) 基于所有评价参数获得最高分类性能（表9）。(ii) 实现了一个强大的模型，因为它是使用三种类型的CV方法开发的。(iii) 所 提 出 模 型 的 第 6 层 中 的 演 变 特 征 图 具 有 临 床 显 著 性（p<0.001），可产生最高分类性能。(iv) 使用两阶段CNN模型开发了低风险和高风险高血压ECG分类任务。最后，对本文的工作进行了总结和展望。在这项研究中，我们只考虑了来自211名受试者的三导联ECG信号。所开发的多通道深度CNN可以使用来自更多受试者的三导联ECG信号进行评估。由于性能优越，所提出的两阶段多通道深度CNN可用于智能医疗应用中的实时应用。时频域深度CNN已被提出用于各种生物医学应用[30]。结合时频域深度CNN的多导联ECG信号可用于高血压的检测。持续高血压增加心脏病发生的风险[17]。在未来，所开发的系统可以扩展到高血压前期，中度高血压和重度高血压类使用多导联心电图信号的自动分类。4. 结论不合理的饮食和不良的生活方式等因素导致高血压病的发生。在临床环境中需要准确、早期和自动检测这种病理。在这项工作中，提出了一种多通道深度CNN，用于使用多导联ECG信号检测高血压。提出的深度CNN表现出更好的性能，对于hold-out，5倍和leave-one-out CV方法，平均准确度分别为99.68%，98.09%和98.10%。因此，我们可以确认，在所提出的深度CNN的全连接层中计算的特征被发现是统计上显著的低风险与高风险高血压分类的结果使用第2阶段深度CNN模型获得，用于5项试验的保留CV审判准确度（%）灵敏度（%）特异性（%）精密度（%）F1得分Kappa193.51100.0087.0188.510.9390.870292.21100.0084.4286.520.9280.844392.21100.0084.4286.520.9280.844493.51100.0087.0188.510.9390.870593.51100.0087.0188.510.9390.870平均92.99100.0085.9787.710.9340.860STD0.710.001.421.090.0060.014P. Jain等人医学信息学解锁21（2020）1004797表8低风险与高风险高血压分类的结果使用第2阶段深度CNN模型获得五倍CV。倍准确度（%）灵敏度（%）特异性（%）精密度（%）F1得分Kappa191.1784.3198.0497.720.9050.824297.0694.00100.00100.000.9690.941391.1885.4296.3095.350.9010.822486.2778.8594.0093.180.8540.726589.2287.0491.6792.160.8950.784平均90.9885.9296.0095.680.9050.819STD3.955.463.283.220.0410.079见图6。 训练和验证三导联ECG本文报道的工作确认所有作者都已阅读本文并同意提交。这项研究工作没有得到资助。引用[1] Shimamoto K，Ando K，Fujita T，Hasebe N，HigakiJ，Horiuchi M，ImaiY，Imaizumi T，Ishimitsu T，Ito M，et al. The Japanese society ofhypertensionguidelines for the management of hypertension（jsh 2014）.Hypertens Res2014;37（4）：253-390。[2] ChalmersJ，MacMahon S，Mancia G，Whitworth J，Beilin L，Hansson L，Neal B，Rodgers A，Ni CM，Clark T. 1999年世界卫生组织-国际高血压学会高血压管理指南。世界卫生组织指引小组委员会。Clin EX p Hypertens 1999;vol.二十一：阶段2深度CNN模型的实例。1009-60. New York，NY：1993.三十三表9与现有超压检测方法的比较。[3] 霍尔JE。 肾脏、高血压和肥胖。高血压2003;41（3）：625-[4] Shirole U，Joshi M，Bagul P.使用决策树对心脏、糖尿病和正常受试者进行分类，并通过立位应激指数进行结果确认。信息学医学解锁2019;17：100252。[5] 朱春，李文，李文. 结合主成分分析与k-均值技术改进logistic回归模型预测糖尿病。信息学医学解锁采取的信号数据库灵敏度（%）特异性（%）F1-评分2019;17：100179.[6] Soh DCK，Ng E，Jahmunah V，Oh SL，San TR，Acharya UR.基于经验模式的高血压检测计算智能工具脉冲到达时间和形态特征结合KNN分类器[15]基于Google Net的连续小波变换（CWT）和迁移学习2DCNN[18个国家]PPG MIMIC数据库（121科目）PPG MIMIC数据库（121科目）94.26 96.17 0.9480.925分解计算机生物医学2020;118：103630。[7] 倪H，赵S，MankoffJ，杨J，等。通过夜间连续心率变异性监测自动识别高血压。J Ambient Intel Humanized Comput2018;9（6）：2011-23.[8] Hermida RC，Smolensky MH，Ayala DE，Portaluppi F.动态血压监测作为成人高血压诊断和血管风险评估的参考标准。 2015年。[9] 放大图片创作者：Pickering TG，Eguchi K，Kario K.隐匿性高血压：综述。Hypertens Res2007;30（6）：479-88。[10] Fagard RH，Cornelissen VA.白大衣、隐匿性和持续性高血压与真正正常血压患者心血管事件发生率的荟萃分析 2007年[11] [10]李国雄，李国雄，李国雄.利用机器学习技术从心电图进行无创血压估计。传感器2018;18（4）：1160.[12] Thambiraj G， Gandhi U， Mangalanathan U， Jose VJM， Anand M. Womersley数、ECG和PPG特征对袖带低血压影响的研究EMD域和KNN分类器中提取的各种非线性特征[6]提 出 多 通 道 深度CNN单导联心电图3导联心电图（I，II和V1）共享者和MIT-BIH数据库（157主题）SHAREE和PTB诊断数据库98.90 89.10 NR99.51 100 0.997使用机器学习进行估计。生物医学信号处理控制2020;60：101942。[13] Soh DCK，Ng E，Jahmunah V，Oh SL，San TR，Acharya UR.使用卷积神经网络的高血压自动诊断工具。Comput Biol Med 2020：103999.[14] Rajput JS，Sharma M，Acharya UR.基于最优正交小波滤波器组的高血压诊断指标对高危高血压心电信号的识别。IntJ Environ Res Publ Health2019;16（21）：4068.[15] 梁毅，陈志，沃德，埃尔根迪.利用心电图和ppg信号评估高血压：模拟数据库评估。诊断学2018;8（3）：65。[16] [10]杨文，杨文.高血压患者心率变异性的非线性分析。在Annales de Cardiologieetd'Ang'eiologie，vol. 67岁。Elsevier;2018. p. 174比9[17] MelilloP，Izzo R，Orrico A，Scala P，Attanasio M，Mirra M，De Luca N，PecchiaL.在对两个类别进行分类时产生最高的分类性能。在未来，所提出的系统可以在智能医疗框架中使用医疗物联网（IoMT）应用程序实现，用于使用ECG信号检测高血压的严重程度。竞合利益提交人声明，他们没有已知的竞争性经济利益或个人关系，可能会影响利用心率变异性分析自动预测心脑血管事件。PloS One2015;10（3）.[18] 放大图片作者：Tjahjadi H.基于光电容积脉搏波信号的双向长短时记忆时频分析无创血压分类。IEEE Access2020;8：20735-48.[19] Kora P，Meenakshi K，Swaraja K，Rajani A，Islam MK.使用模糊逻辑检测心律失常。医学信息学解锁2019;17：100257。[20] Acharya UR，Fujita H，Oh SL，Hagiwara Y，Tan JH，Adam M.深度卷积神经网络在心电图心肌梗死自动检测中的应用。 Inf Sci 2017;415：190-8.P. Jain等人医学信息学解锁21（2020）1004798[21] Baloglu UB，Talo M，Yildirim O，San Tan R，Acharya UR.利用多导联心电图信号和深部cnn对心肌梗死的分型。PatternLett 2019;122：23-30.[22] Hannun AY，Rajpurkar P，Haghpanahi M，Tison GH，Bourn C，Turakhia MP，Ng AY. 使用深度神经网络对动态心电图进行心脏病学家水平的心律失常检测和分类。 Nat Med 2019;25（1）：65。[23] 杨伟杰，王晓刚，王晓刚.ptb诊断心电图数据库。德国国家计量研究所; 2012年。[24] 放 大 图 片 创 作 者 ： A. 互 联 网 上 的 心 电 信 号 数 据 库 。 BiomedizinischeTechnik/Biomedical Engineering 1995;40（s1）：317-8.[25] Goldberger AL，Amaral LA，Glass L，Hausdorff JM，Ivanov PC，Mark RG，Mietus JE，Moody GB，Peng C-K，Stanley HE. Physiobank，physiotoolkit和physionet：复杂生理信号新研究资源的组成部分。 循环2000;101（23）：e215-20.[26] Rajput JS，Sharma M，Tan RS，Acharya UR.基于最优双正交小波滤波器组的高血压心电信号严重程度自动检测。计算机生物医学2020;123：103924。[27] 放大图片Boles U，Enriquez A，Abdollah H，Michael K.高血压的早期心电图改变。ESC心脏病学实践委员会电子期刊2015;3（30）。[28] Shin H-C，Roth HR，Gao M，Lu L，Xu Z，Nogues I，YaoJ，Mollura D，Summers RM. 用于计算机辅助检测的深度卷积神经网络：cnn架构、数据集特征和迁移学习。IEEE Trans Med Imag2016;35（5）：1285-98。[29] Panda R，Jain S，Tripathy R，Acharya UR.基于ffrewt滤波器组和深度卷积神经网络的心电信号可电击性室性心律失常检测。计算机生物医学2020;124：103939。[30] Srirangan M，Tripathy RK，Pachori RB.时频域深度卷积神经网络用于局灶与非局灶脑电信号的分类。IEEE传感器J 2019;20（6）：3078-86。[31] Liu W，Zhang M，Zhang Y，Liao Y，Huang Q，Chang S，Wang H，HeJ.实时多导联卷积神经网络用于心肌梗死检测。 IEEE生物医学和健康信息学杂志2017;22（5）：1434-44。[32] Haykin S.神经网络与学习机，第3卷。E. Pearson EducationIndia; 2010.[33] GoodfellowI，Bengio Y，Courville A. 深度学习 MIT Press; 2016.[34] 主教CM。模式识别和机器学习。Springer; 2006.[35] Sharma L，Tripathy R，Dandapat S.多尺度能量和特征空间方法检测和定位心肌梗死。IEEE Trans Biomed Eng 2015;62（7）：1827-37。