基于卷积LSTM的心电图波形分割

⃝可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 6（2020）166www.elsevier.com/locate/icte基于卷积LSTM的有监督ECG波形分割Aman Malalia，Srinidhi Hiriyannaiaha， Siddesh G.M. b，Srinivasa K.G. c，SanjayN.T.Da印度班加罗尔Ramaiah理工学院计算机科学工程系b印度班加罗尔Ramaiah理工学院信息科学工程系c印度昌迪加尔国家技术教师培训研究所dEdision AI，GE Healthcare，班加罗尔，印度接收日期：2020年2月29日;接收日期：2020年4月6日;接受日期：2020年4月17日2020年5月7日网上发售摘要心电图（ECG）是心脏电活动的图形表示，用于检测某些结构和功能性心脏状况。分割ECG波形和注释组成成分是ECG分析和诊断所必需的。本文提出了一种卷积长短期记忆（ConvLSTM）神经网络分割心电波形。它由卷积层和双向LSTM架构组成。该模型通过增加ECG波形的导数和平滑ECG波形等附加特征来实现分割，其性能优于传统的马尔可夫模型。c2020年韩国通信与信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：ECG分割; LSTM; CNN;监督学习; ConvLSTM1. 介绍准确识别ECG波形中的各个分量（段）对于正确诊断各种心脏状况非常重要。临床医生寻找微妙的模式和重复的功能，以正确识别每个区域心电图波形。他们花了大量的时间来识别和注释数据的各个组成部分，以帮助诊断[1]。这在分析大量ECG数据时是真实的，例如，动态心电图分析，研究目的，大规模筛查病人。因此，让临床医生大规模注释ECG是不可行的。这些大量ECG数据的分割和注释的自动化将使临床医生能够挑选ECG数据的异常部分以用于进一步分析，从而节省大量时间。ECG分析的自动化将帮助医疗从业者和研究人员轻松访问和分析多个患者的各种ECG复合体∗ 通讯作者。电子邮件地址：amanmalali@gmail.com（A.Malali），srinidhi.gmail.com（S.Hiriyannaiah），siddeshgm@gmail.com（Siddesh G.M.），kgsrinivasa@gmail.com（Srinivasa K.G.），Sanjay. ge.com（SanjayN.T.）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2020.04.004ECG分割的主要挑战是ECG波形有很多变化。它们在形状、频率、持续时间和幅度方面可以具有不同的特性。这些差异源于患者、监测设备、ECG导联放置等的差异。自动化方法需要能够有效地处理ECG波中的所有可能变化。传统的自动模型首先识别R波的峰值，然后使用基于规则的方法[2]或隐马尔可夫模型（HMM）[3]来找到剩余波的位置。这些方法具有低到平均的性能，因为它们不足以鲁棒地处理ECG中的大量变化，因此没有被推广。本文的主要贡献归纳如下：• 我们提出了一种用于ECG波形分割的ConvLSTM神经网络模型。它将每个数据点标记为P波、QRS波、T波或中性波。• CNN和LSTM的结合有效地去除了噪声，并创建了额外的特征，因此与现有的基于规则的方法和其他深度学习方法相比，准确率达到了95%。2405-9595/2020韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。A. Malali，S.希里扬奈亚等人 /ICT Express 6（2020）166-169167表1使用ConvLSTM模型对每个波段进行建模2. 相关工作心电图波形的自动分割有多种方法，如小波变换、傅立叶变换和模式识别。这些方法集中于仅检测波的某些部分，通常是QRS复合波。Pan Tomkins算法[4]是用于找到QRS波群的最广泛使用的基于导数的算法。离散小波变换（DWT）方法[5]用于增强P波、QRS波群和T波的信息。在第二阶段的分割中，采用了自适应阈值以识别ECG波的重要部分。在[3]中使用了类似的方法，但在第二阶段，使用标记数据训练隐马尔可夫模型（HMM），以便识别ECG波的各个部分深度学习已被用于各种生物医学领域，cal信号处理应用。基于长短期存储器（LSTM）的架构，用于为某些应用程序分割ECG波[6]。除了使用原始ECG信号之外，还通过使用不同的滤波核来提取其他特征。这些特征包括ECG波的一阶和二阶导数。所获得的结果比现有的基于规则和基于HMM的方法要好得多，证明了深度学习技术可以有效地用于分割ECG波形。所提出的工作建立在[6]的基础上，其中提出了一种ConvLSTM神经网络架构来分割ECG波。方法和ConvLSTM模型将在下面的章节中讨论3. 方法3.1. 数据集在本文中，使用的数据集是来自PhysioNet的QT数据集[7]。该数据集包含100个15分钟的两导联ECG记录，具有P、QRS和T波的起始、峰值和结束标记。记录的ECG以250 Hz采样，然后作为数字信号提供。对于该研究，每个ECG样本被分成长度为700个数据点的段心电图的两个导联都用作特征，而不是将它们分成单独的记录。这700个数据点与其他特征一起作为深度学习模型的输入。3.2. 提取的特征提取的心电信号特征包括平滑后的心电信号，平滑后的心电信号采用了三次平滑技术，并采用了Lamb算法图1.一、 ECG波段的一阶导数。参数为5，以平滑ECG波并去除任何存在的噪声。另一个提取的特征是原始ECG信号的一阶导数。二阶导数最初也是作为一个附加功能提供的，但它对模型的性能没有贡献图1示出了一阶导数ECG波。3.3. 模型架构使用递归神经网络（RNN）架构，因为它理解时间关系，非常适合时间序列分割的任务。具体来说，使用卷积双向长短期记忆网络（ConvLSTM）[8LSTM可以捕获长期的时间依赖性[9]，并解决梯度消失或爆炸的问题，这是普通RNN所面临的问题。这是误差相对于权重的导数在非常短的时间内趋于零或无穷大的地方[10]。双向LSTM具有两个循环分量，前向分量和后向分量。前向组件像单向LSTM一样计算隐藏状态值。反向组件通过反转输入的时间顺序来计算隐藏状态值。添加自我注意层显著提高了整体模型性能。网络开始处的一维卷积层充当特征提取器。网络的LSTM部分仅考虑输入ECG波中的时间信息。卷积步骤简化了给定的多通道ECG数据，否则对于LSTM网络来说太复杂了。使用ConvLSTM网络，可以利用空间和时间信息来分割ECG波。考虑选择ConvLSTM该任务的体系结构，详细体系结构如下所示精度ConvLSTM精度双向LSTMF1评分ConvLSTMF1 Score双向LSTM精密ConvLSTM精密双向LSTM调用ConvLSTM调用双向LSTMp波94.8792.0094.2491.0095.2092.0093.3090.00qrs波96.6694.0096.7094.0095.8394.0095.5795.00t波92.7390.0093.0491.0091.5690.0094.5692.00×××168A. Malali，S.希里扬奈亚等人 /ICT Express 6（2020）166-169图三. 性能比较。图二. ConvLSTM架构。在图2中。该模型的输入是一个700 × 4矩阵，由来自两个ECG导联的原始ECG信号以及附加的平滑ECG和原始ECG的一阶导数组成。该输入被馈送到输入层，然后是一维卷积层。该卷积层仅在时间维度上进行卷积，并产生长度为64的输出，内核大小为3。的输出然后将该层传递到双向LSTM层上，该层总共具有128个LSTM单元，每个方向上具有64个LSTM单元。自我关注层允许模型在确定某个数据点的标签时关注输入信号的某些部分。当涉及到ECG分割时，这是必不可少的，因为过去和未来的各个部分可以指示当前的标签。接下来是另一个双向层，包含128个LSTM单元。这种架构类似于ConvLSTM编码器-解码器架构。最后的双向层的输出被馈送到时间分布密集层，该时间分布密集层将四个可能标签中的一个分配给整个ECG段的每个数据点4. 实验和结果训练样本包括27，000个大小为700 4的ECG节段样本。目标矩阵的尺寸为700 4。该模型经过50个epoch的训练，采用批量归一化以避免过度拟合。在整个训练过程中，分类交叉熵被用作损失度量。对于ECG中的每个波段，使用准确率、F1得分、精确率和召回率对所见图4。 实际分割。图五. 预测分割。指标如表1所示。从表1中的结果可以观察到，与双向LSTM相比，ConvLSTM对于所有度量都具有更高的值。ConvLSTM与现有方法的性能比较如表2和图3所示。给定分割QRS波的任务，通常最好通过在小波编码的ECG数据上使用HMM来完成，可以从表2和图2中的结果中看出。3，提出的ConvLSTM超越了性能的障碍。ConvLSTM网络产生了显著的改进，特别是在分割P波和QRS波方面。ConvLSTM模型优于现有的双向LSTM（ECG-SegNet）网络架构，如表2所示，以及传统方法。图4和5演示了正确的ECG分割和ConvLSTM预测ECG分割的结果。5. 结论在本文中，我们提出了一个ConvLSTM心电图分割模型。所提出的深度学习模型的性能明显优于现有的信号处理和基于HMM的方法。它的性能也超越了其他深度学习表2A. Malali，S.希里扬奈亚等人 /ICT Express 6（2020）166-169169引用ConvLSTM的性能比较分割模型，特别是在分割P波和QRS波。准确的自动ECG分割将有助于开发自动心脏诊断方法并简化大规模筛查任务。CRediT作者贡献声明Aman Malali：概念化，数据管理，形式分析，写作-原始草稿，写作-审查编辑。Srinidhi Hiriyannaiah：形式分析，写作-原始草案，写作-审查编辑。Siddesh G.M.：写作-原始草稿，写作-审查编辑. Srinivasa K.G.：写作-原始草稿，写作-审查编辑. Sanjay N.T.：概念化，数据策展，形式化分析。竞合利益作者声明，他们没有已知的可能影响本文所报告工作Q.A. Rahman，L.G.捷列先科，M.Kongkatong，T.亚伯拉罕M.R. Abraham，H. Shatkay，通过对来自12导联ECG信号的个体心跳进行分类来识别肥厚型心肌病患者，在：2014 IEEE生物信息学和生物医学国际会议，BIBM，2014，pp. 224-229W. Kaiser，T.S. Faber，M. Findeis，自动学习规则。应用人工智能改进12导联心电图中心肌梗塞和左心室肥大的计算机检测的 一 个实例，J。心电图。29（Suppl）（1996）17[3] N.P.休斯湖Tarassenko，S.J. Roberts，自动心电图间隔分析的马尔可夫模型，在：第16届神经信息处理系统国际会议论文集，NIPS'03 ， 麻 省 理 工 学 院 出 版 社 ， 剑 桥 ， MA ， 美 国 ，20 03 年，pp . 611-618[4] J. Pan，W.J. Tompkins，一种实时qrs检测算法，IEEETrans. BioMed.Eng. BME-32（3）（1985）230[5] 马丁内斯河Almeida，S. Olmos，A.P. Rocha，P. Laguna，基于小波的ECG描绘器：对标准数据库的评估，IEEETrans. BioMed. Eng. 51（2004）570[6] H.阿布里沙米角汉，X. Zhou，M.坎贝尔河，巴西-地Czosek，使用lstm神经网络的监督ECG间期分割，在：2018年生物信息学和计算生物学国际会议，BIOCOMP，pp. 71比77[7] A.L. Goldberger，L.A.N.阿马拉尔湖格拉斯，J.M.豪斯多夫伊万诺夫P.C.h、R.G.马克，J.E. Mietus，G.B.穆迪，C.- K. Peng，H.E.Stanley，PhysioBank，PhysioToolkit，and PhysioNet：Componentsof a newresearch resource for complex physiological signals ，Circulation 101（23）（2003）e215-e220.[8] X. Li，X.吴，基于短期记忆的卷积递归-租用神经网络进行大词汇量语音识别，CoRRabs/1610.03165（2016）。[9] S.胡志华，长时记忆与短时记忆的关系，国立成功大学，硕士论文。第9卷第8期（1997年），第1735-1780页。[10] Y. Bengio，P. Simard，P. Frasconi，用梯度下降学习长期依赖性是困难的，IEEE Trans。5（2）（1994）157-166。方法P（%）QRS（%） T（%）[1]第一章ECG-SegNet（双向LSTM）92.0094.0092.00原始ECG数据的HMM5.5079.0056.03小波编码心电图的隐马尔可夫模型74.2094.4088.23