深度学习与COVID-19诊断的优化加权平均集成技术

智能系统与应用16（2022）200154OWAE-Net：使用深度学习和优化的加权平均集成技术Kunwar Prashanta，Prakash Choudhary*， b，Tarun Agrawal c，Evam Kaushik da印度喜马偕尔邦哈米尔布尔NIT哈米尔布尔计算机科学工程系b印度拉贾斯坦邦中央大学计算机科学c印度北方邦大诺伊达贝内特大学计算机科学工程技术学院d共生医学图像分析中心，印度A R T I C L EI N FO保留字：2019冠状病毒病加权平均集成模型迁移学习ECGA B S T R A C TCOVID-19是一种传染病，在世界各地夺走了数百万人的生命。为了阻止COVID-19的传播，非常需要更快、更安全的诊断。基于心电图（ECG）信号的诊断已显示出其在心脏病、中风和COVID-19诊断中的潜力。在这项研究中，三个深度学习模型的集成用于ECG图像中的COVID-19检测，以进行多类分类。用网格搜索技术改进了加权平均系综技术的结果。对于多类分类，一个优化的加权平均集成（OWAE）模型分类的ECG图像的准确率为95.29%，F1分数为95.4%，95.5%的精度，和召回率为95.3%。在二进制分类的情况下，VGG-19，EfficientNet-B4和DenseNet-121表现相对较好，准确率为100%。这些结果表明，深度学习可用于使用ECG图像诊断COVID-19疾病1. 介绍2019冠状病毒病是一种人与人之间的传染病，这使其成为一个严重的问题（Shereen，Khan，Kazmi，Bashir，Siddique，2020&）。它影响所有年龄段的人，但未接种疫苗和免疫力弱的人风险更大（Rutten etal.，2021年）。COVID-19导致的登记病例为5.079亿例，死亡人数超过620万。在COVID-19中幸存的患者报告了疲劳、呼吸困难和呼吸问题（Kamal，Abo Omirah，Hus-sein，&Saeed，2021;Ferna'nesthi-de Las-PenBogaset al.， 2021年）。该疾病爆发后，全球几乎所有国家都报告了该疾病（Parry，2020; Riou Althaus，2020&）。该疾病的致病病毒是SARS-CoV-2，主要攻击体内的呼吸系统（Al-Aalim，Hamad，&AL-ledani，2020）。当一个人呼吸被含有SARS-CoV-2的颗粒污染的空气感染者的接近性在病毒传播中起着至关重要的作用，因为它也可以发生在更长的距离上（Wang等人， 2021年）。在感染者中，至少三分之一没有表现出任何明显的症状（Oran Topol，2020&）。然而，在出现症状的患者中，81%出现轻度至中度症状，14%出现需要住院治疗的严重症状，5%需要ICU（Wu&McGoogan，2020）。由于COVID-19病例呈指数增长，诊断和治疗大量人群的医疗基础设施负担沉重。实时逆转录-聚合酶链反应（RT-PCR）通常用于COVID-19检测。 RT-PCR是昂贵的，至少需要四个小时才能检测到前病毒，病毒的作用（Agrawal Choudhary，2021&）。本研究提出使用人体心脏产生的心电图电脉冲（电压）（Lilly，2012）。根据使用的设备，以一定的频率进行读数。通过将电极附着到患者的皮肤来收集ECG读数。附着在皮肤上的传感器能够检测在每个心动周期期间由心肌的复极和去极产生的电变化。ECG图有三个主要组成部分：（1）P波代表心房的去极化;（2）QRS波群代表心室的去极化;（3）T波代表心室的复极化（Lilly，2012）。各种研究表明，ECG图往往会以这样的方式变化，即它们可用于将COVID-19感染患者与其他心脏病患者和正常人进行分类（ Ozdemir ， Ozdemir ， Guren ， &2021; Sobahi ， Sengur ， Tan ，Acharya，2022&）。第2讨论了各种此类研究。 正常心电图如图所示。1.一、的* 通讯作者。电子邮件地址：prakash. curaj.ac.in（P. Choudhary），tarun. bennett.edu.in（T.Agrawal）。https://doi.org/10.1016/j.iswa.2022.200154接收日期：2022年7月31日;接收日期：2022年11月6日;接受日期：2022年2022年11月21日在线提供2667-3053/© 2022作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsK. Prashant等人智能系统与应用16（2022）2001542Fig. 1. 显示正常ECG模式及其不同分量的图。图片来源：Ashley andNiebauer，2004年。表1COVID-19检测相关工作的简要总结纸质数据集技术限制第六部分，结论。2. 相关工作相关工作分为三个小节。在第2.1节中，讨论了使用ECG诊断COVID-19的研究工作。在第2.2节中，讨论了使用深度学习模型诊断ECG中的COVID-19的研究工作。此外，在第2.3中讨论了使用加权平均集合（WAE）模型诊断疾病的研究。2.1. 使用ECG图像进行心电图已被用于各种心脏疾病的诊断。如Byer、Ashman、Toth（1947）&首次报道的，它可用于中风疾病的诊断。最近的研究表明，它在COVID-19的检测中也很有用Wang等人（2020）在他们的研究中显示，COVID-19患者的ECG模式变化在心肌损伤和心功能不全的诊断中发挥着至关重要的作用Li等人（2020）在他们的研究中发现，113名患者中有50名COVID-19患者死亡，他们的ECG显示出室性心律失常的症状Santoro等人（2021）发现14%的患者QT间期延长，在他们的研究中，有110名COVID-19患者，阿塔拉（2022）Ozdemir等人（2021年）Sobahi等人（2022年）Rahman等人（2022年）Abirami等人（2021年）Abirami等人（2022年）ECG图像ECG图像ECG图像ECG图像ct扫描图像胸部X线图像采用五种CNN模型进行特征提取，并采用对称不确定性方法灰度共生矩阵方法用于特征提取，然后将这些特征馈送到CNN基于注意力的3D CNN与残差学习用于特征提取SiX CNN模型用于特征提取采用CNN和GAN模型进行特征提取styleGAN2用于图像生成，CNN用于特征提取阶级不平衡问题没有得到解决。使用对ECG图像的分辨率敏感的六轴特征映射。手动放置窗口以隔离感兴趣区域。有限的数据集用于实验。病变分割获得的Dice系数很低。不执行多类分类。他们的ECG。Lam，McClelland，Dallo（2020）&进行了一项涉及COVID-19患者的研究Bertini等人（2020）对431名COVID-19患者进行了一项研究，发现93%的患者有心脏异常，22%的患者诊断为房颤（AF），30%的患者有急性右心室压力超负荷（RVPO）。此外，Attia，Kapa，Noseworthy，Lopez-Jimenez，Friedman（2020）&在他们的工作中表明，人工智能可用于使用ECG诊断COVID-192.2. 使用深度学习模型进行Attallah（2022）提出了一种使用ECG图像进行COVID-19诊断的ECG-BiCoNet模型。ECG-BiCoNet使用深度学习模型进行特征提取，然后使用较低层的离散小波变换融合特征。然后，使用三种不同的机器学习分类器选择这些特征进行最终预测。Ozdemir等人（2021）使用灰度共生矩阵（GLCM）方法进行特征提取并生成六轴映射图像。这些生成的图像被用作卷积神经网络的输入，用于COVID-19分类。 Sobahi等人（2022年）COVID-19诊断应该是准确和具有成本效益的，假阳性率（FPR）和假阴性率（FNR）应该是最低的。深度学习技术可用于诊断ECG图像患者的COVID-19。主要贡献概述如下：在本文中，我们使用预训练的深度学习模型进行二进制分类，并使用OWAE模型使用ECG图像进行多类分类。加权平均集成技术已被用来获得多类分类的结果。分配给深度模型的权重已经使用网格搜索技术进行了优化。结果表明，网格搜索技术改善了所得结果。本文组织如下：第2节讨论了使用ECG图像为COVID-19所做的相关工作。而在第3节中，讨论了ECG数据集和方法。第4讨论了用于二进制和多类分类的深度学习模型的评估指标、实验步骤和性能评估在第5中，讨论了拟议工作的局限性，提出了一种3DCNN模型，该模型由残余连接和注意力机制组成，用于从ECG图像中分类COVID-19。Rahman等人（2022）采用了几种不同的深度CNN模型用于ECG轨迹图像中的COVID-19检测。DenseNet-201在两类和三类分类中的表现优于其他深度模型提交人(s)还使用Score-CAM可视化来跟踪模型是否从ECG图像中学习相关信息。Abirami，Vincent，&Kadry（2021）提出了基于CNN和GAN的模型（P2P-CO- VIDSEG），用于对CT扫描中的COVID-19病变进行分类 和 分割 。 P2P-COVID-SEG 模 型 获得 了 98.10%的 分 类准 确 率 和81.11%的病变分割相似系数。Abirami、Vincent、Rajinikanth、Kadry（2022）&使用了胸部X射线，并使用了GAN 2模型来检测COVID-19该模型获得了99.78%的二进制分类的准确率。2.3. 疾病诊断的加权平均集成模型Shashvat 、 Basu 、 Bhondekar 、 Kaur （ 2019 ） & 使 用 均 方 误 差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）等模型集合预测了伤寒等传染病的发病率。结果表明，WAE模型的预测效果较好。同···K. Prashant等人智能系统与应用16（2022）2001543样，Mahendran等人（2019）使用逻辑K. Prashant等人智能系统与应用16（2022）2001544图二、ECG图像的预处理。回归、随机森林和WAE模型用于检测重性抑郁症。结果表明，WAE模型优于Logistic回归和随机森林模型。这两篇研究论文的结果表明，WAE模型比单个模型获得了更好的结果。有关工作的摘要载于表1。3. 材料和方法第3.1节讨论了ECG数据集和预处理，第3.2讨论了方法。K. Prashant等人智能系统与应用16（2022）2001545××表2用于训练模型的超参数值。超参数值学习率0.001纪元集200是否提前停止是耐心3优化器亚当损失函数二元交叉熵和分类交叉熵表3二进制类分类结果。度量VGG-19EfficientNet-B4DenseNet-121精度百分百百分百百分之九十九点零九F1得分百分百百分百百分之九十九点零七精度百分百百分百百分之九十九点二召回百分百百分百百分之九十八点九五表4多类分类结果。度量VGG-19EfficientNet-B4DenseNet-121OWAE精度百分之九十二点九四百分之九十二点三五百分之九十二点九五百分之九十五点二九F1得分91.64%百分之九十点七七90.76%百分之九十五点四精度百分之八十九点九七89.78%89.79%百分之九十五点五一召回百分之九十五点九四百分之九十三点八二93.20%百分之九十五点三二3.1. 数据集和预处理本研究中使用的ECG数据集是公开的（Khan，Hussain，&Malik，2021）。该数据集包含五个不同类别的患者扫描ECG报告的RGB图像。COVID-19患者的ECG跟踪图像250张;心肌梗死患者的ECG跟踪图像77张;心跳异常患者的ECG跟踪图像548张;有心肌梗死病史的患者的ECG跟踪图像203张;正常人的ECG图像859张。每张图像包含12个LED ECG描记，并由医学专家进行审查使用远程医疗心电图诊断系统。数据集包含ECG报告的扫描副本，并在馈送到深度学习模型之前进行预处理。图像的分辨率不同，在报表的页眉和页脚中包含一些文本，在背景中包含网格，这不利于分类过程。因此，首先，ECG图像被裁剪，使得仅提取包含ECG报告的部分第二，对每个裁剪图像应用滤波器最后，将所有图像的大小调整为256 256 3分辨率。图2中示出了预处理图像的示例。数据集高度不平衡，因此，从异常心跳患者和正常患者类别中选择300张图像，从COVID-19类别中选择250张图像3.2. 方法方法在3.2.1、3.2.2和3.2.3小节中详细讨论。3.2.1. 迁移学习技术深度学习模型具有大量参数，需要数百万张图像进行训练。如果没有足够的数据，那么模型就有可能过拟合。在医学图像分析中，由于隐私问题，没有大型数据集可用于训练深度学习模型。因此，研究人员使用迁移学习技术来训练他们的模型。不同的研究小组已经发布了用于重用的预训练模型（Agrawal Choudhary，2022&）。大多数这些可用的预训练模型都是在ImageNet数据集上训练的（Denget al.，2009年）。在这项研究中，我们使用VGG-19、DenseNet-121和EfficientNet-B4预训练模型进行二进制和多类分类。从预训练模型中删除全连接层以减少参数数量，并使用较少数量的过滤器添加密集层。一种常见的方法是冻结预训练模型的权重，这样模型的权重就不会发生变化。在这项研究中，我们还冻结了预先训练的层，只训练新添加的密集层，以获得最终的分类结果。K. Prashant等人智能系统与应用16（2022）2001546算法1.使用OW A E 模 型 检 测 COVID-19的 步 骤 。K. Prashant等人智能系统与应用16（2022）2001547×××图三. 使用OWAE模型在ECG图像中检测COVID-19的框架。3.2.2. 优化加权平均集成方法在大多数研究中，分类结果是基于单一模型。虽然有很多研究表明，集成模型可以优于单一模型（Ekbal Saha，2013; Shah-&hosseini，Hu，Pham，2022&）。单个模型不能提取数据集的所有特征。因此，研究人员使用不同模型的集成来提高性能。本文将优化加权平均集成方法用于多类分类。这种集成技术是平均集成方法的增强，在平均集成方法中，所有模型对生成预测的贡献相等。在加权平均集合方法中，通过向每个模型分配权重来确定每个模型的贡献量。此外，在这项研究中，分配的权重使用网格搜索技术进行优化3.2.3. 模型架构CNN模型可以分为特征提取块和全连接块。在这项研究中，预训练CNN模型（如VGG-19，DenseNet-121和EfficientNet-B4）的特征提取块用于分类。 这些预训练模型的完全连接层被移除，以减少可训练性。参数在特征提取块之后，使用全局平均池化（GAP）、密集层、批归一化层和丢弃层。增加了两个致密层，分别有128个和256个神经元。而脱落层的特征为20%。这意味着20%的神经元将在向前和向后传递过程中被丢弃。dropout层增加了正则化并防止模型的过拟合。特征提取块的权重被冻结，其余层在ECG数据集上训练。最后，使用具有softmax分类器的密集层来预测二元或多类分类。在下文中，简要描述预训练的模型。VGG-19 （Simonyan Zisserman ，2014& ）在 ILSVRC-14挑战 中引入。该模型具有重复的卷积层、激活层和池化层。VGG-19由19层组成（16个卷积层，3个全连接层和5个最大池化层）。在这项研究中，我们用128和256个神经元替换了由4096个神经元组成的两个完全连接的层。因此，VGG-19有2010万个参数。DenseNet-121DenseNet-121 （ Huang ， Liu ， Van Der Maaten ，&Weinberger，2017）由一个卷积层组成，其中77个内核，58个卷积层，3个3内核，61个卷积层，1个1个内核和一个具有1000个神经元的密集层DenseNet-121K. Prashant等人智能系统与应用16（2022）2001548图四、二进制类分类：模型的准确性和损失图在训练过 程中 没有。的时代。具有四个平均池化层以降低分辨率。这些层以前馈方式密集连接，以确保提取特征的最大流量。在这项研究中，最后一个1000个神经元的密集层被128和256个神经元的两个密集层取代。因此，参数的数量为720万。EfficientNet-B4EfficientNet-B4（谭乐，2019&）有七个移动反 向 瓶 颈 卷 积 （ MBConv ） 以 及 注 意 力 层 （ Hu ， Shen ， Sun ，2018&）。EfficientNet-B4比现有最好的ConvNet模型小8.4倍，比其他最好的模型快6.1倍。在这项研究中，预先训练的密集层被替换为具有128 和 256 个 神 经 元 的 两 个 密 集 层 。 在 这 项 研 究 中 ， 修 改 后 的EfficientNet-B4中的参数数为17.9K. Prashant等人智能系统与应用16（2022）2001549图五. 多类分类：在训练过程中使用epochs数量建模准确性和损失图。万4.2.而在第4.3节中，对二元和多元的结果进行了讨论。最后，集成VGG-19、EfficientNet-B4和DenseNet-121模型，并将优化的加权平均用于COVID-19检测的最终多类分类结果。在第节中讨论了用于找到最佳加权的网格搜索技术4.3.1. 图7示出了OWAE架构。4. 绩效评价不同的评价指标以及公式见第4.1。实验装置描述见第节类的分类进行了讨论。4.1. 评估指标混淆矩阵用于评估深度学习模型的分类性能。混淆矩阵X以表格形式表示真标签和预测标签。从混淆矩阵X中，可以找到灵敏度或召回率，精确度，F1-Score和准确度参数。下面，给出计算上述参数的公式：K. Prashant等人智能系统与应用16（2022）20015410图第六章 使用DenseNet-121，EfficientNet-B4和VGG-19进行二进制分类和多类分类的混淆矩阵。1. 准确性：任何模型的准确性都显示了它对数据进行分类的频率看不见的数据实例正确。2. 精度：模型做出的积极预测的比例精度TP+TN实际上属于正类的称为精度。=TP+TN+FP+FN（1）精度TP=TP+FPK. Prashant等人智能系统与应用16（2022）20015411（二）K. Prashant等人智能系统与应用16（2022）200154121-==见图7。 OWAE模型的体系结构。4. F1-score：F1-score是精确率和召回率的调和平均值F评分2分精确度5分回忆精确度+召回率（四）在上述等式中，TP、TN、FP和FN分别表示真阳性、真阴性、假阳性和假阴性。 TP和TN代表受试者是否患有特定疾病的正确预测。然而，FP和FN决定了模型做出的错误预测见图8。 基于OWAE模型的多类分类混淆矩阵3. 回忆或敏感性：模型做出的正确的积极预测占所有可能做出的积极预测的比例称为召回。4.2. 实验装置Google Colab平台用于训练和测试模型。它提供12.68 GB RAM和NVIDIA Tesla K80 GPU，可支持12小时。在本研究中，使用Adam优化器，学习率为0.001。二进制交叉熵和分类交叉熵损失函数分别用于二进制和多类分类epoch的数量设置为200，批大小为8。早期停止用于防止模型过拟合。早停的耐心被固定在三点。这意味着如果验证损失在连续三个时期内没有改善，性能双-召回TPTP+FN（三）表3和表4分别给出了所有评估度量的零类和多类分类二分类和多类分类的准确度和损失图如图1和图2所示。 4和5，K. Prashant等人智能系统与应用16（2022）20015410表5在同一数据集上对所提出的方法与现有的类似工作进行比较分析。[0.25，0.50，0.25]，准确度为95.29%。OWAE模型获得的F1评分值为95.40%，精确度值为95.51%，召回率值为95.32%。这种方法优于所有三种模型使用的数据模型性能当它们被单独评估时。准确度和各种性能评价指标值如表4所示。的困惑阿塔拉（2022）ECG图像ECG-Bi-CoNet用于二进制分类准确度-98.8%，用于多分类准确度-OWAE模型的矩阵如图8所示。4.3.2. 二元分类Ozdemir等人（2021年）Sobahi等人（2022年）Rahman等人（2022年）拟定研究提出ECG图像ECG图像ECG图像ECG图像ECG基于CNN的模型，采用六轴特征映射技术具有注意力机制的迁移学习模型（ResNet18、ResNet50、ResNet101、InceptionV3、DenseNet201和MobileNetv2）迁移学习（VGG-19，DenseNet 121，EfficientNetB 4）迁移学习和91.73%二进制分类准确度：96.3%，多分类准确度：93.2%二进制分类精度：99.0%，多分类精度：92.0%对于二进制类，准确率：99.1%，对于三个类，准确率：97.36%对于二进制类，精度：100%，F1-评分：100%，精度：100%，召回率：100%COVID-19和正常类别用于二进制分类。VGG-19模型在测试集上报告了100%的准确率，F1分数，精确度和召回率。同样，EfficientNet-B4也实现了100%的准确率、F1分数、精确度和召回率。DenseNet-121报告了99.09%的准确率，99.07%的F1分数，99.20%的精确度和98.95%的召回率。表3和图6分别显示了所得结果和二元分类的混淆矩阵单独来看，VGG-19和EfficientNet-B4在所有性能指标上都获得了最大的结果。因此，没有集成模型被应用于二进制类分类。5. 讨论在这项研究中，深度学习模型用于使用ECG图像预测COVID-19的二进制和多类分类。的研究图像对于多类，OWAE准确度：95.29%，F1评分：95.4%，精密度：95.51%，召回率：95.32%VGG-19和EfficientNet-B4获得了100%的准确率，DenseNet- 121报告了 99.09% 的 二 进 制 分 类 准 确 率 。 VGG-19 、 EfficientNet-B4 和DenseNet-121分别进行了评估，并使用多类分别图6中示出了用于二元类分类和多类分类的混淆矩阵。超参数的值如表2所示。数据集分为训练集和测试集。一个三重交叉验证方案已被应用于验证模型的训练数据集。训练数据集分为三个集合。两组用于训练，第三组用于验证模型。表3和表4显示了二元分类和多类分类的结果。这些结果记录在测试装置上。用于该研究的实验设置如算法1所示。该方法的基本框架如图1所示. 3.第三章。4.3. 结果在本节中，我们讨论了本研究中获得的结果。首先，我们评估了三种最先进的模型; VGG-19，Dense- Net-121和EfficientNet-B4分别用于多类分类。然后，这三个模型的附加和优化加权平均技术，以提高性能。同样的三个深度学习模型进一步用于二进制分类。4.3.1. 多类分类VGG-19、DenseNet-121和EfficientNet-B4分别针对多类分类进行评估。VGG-19、EfficientNet-B4和DenseNet-121模型的准确率分别为92.94% 、 92.35% 和92.95% 。 此 外， VGG-19 报 告的 F1 得 分为91.64%，精确度值为89.97%，召回率值为95.94%。EfficientNet-B4获得了90.77%的F1分数，89.78%的精确度值和93.82%的召回率值而 DenseNet-121 获 得 了 90.76% 的 F1 分 数 ， 89.79% 的 准 确 率 和93.20%的召回率。 图图6示出了所有三个模型的多类分类的混 淆 矩阵 。如第3.2.2节所述，优化加权平均值用于评估多类分类集成模型的性能。网格搜索已被用来找到优化的权重。集成模型的架构如图7所示。权重的定义域从0.0到1.0，步长为0.01，然后通过使用网格搜索方法，生成所有可能的权重组合。给出最高性能的权重组合是分类. OWAE模型对ECG图像的分类准确率达到95.29%，提高了多分类的性能. OWAE模型优于单个深度学习模型，通过比较表4中给出的结果可以看出。研究人员对ECG数据集进行的预测COVID-19的相关研究总结见表5。如表5所示，本研究中报告的结果优于二进制和多类分类的相关研究有一些限制因素需要克服，这为改进拟议的工作打开了大门。本研究使用的数据于2020年11月发表。从那时起，人们发现了许多新的COVID-19变种，当然，感染的症状和影响也各不相同。可以收集来自最近被诊断的患者的ECG数据，用于模型的进一步微调和测试。本研究中使用的数据是从一个特定的地理位置收集的。由于COVID-19患者已在世界各地确诊，涵盖不同地理位置、年龄组和性别的更全面数据收集将确保模型的有效性和稳健性。本研究不考虑患者正在进行的可能在数据记录期间改变ECG信号的治疗和药物。在增量学习中，输入数据集被不断地用来增加模型知识，但在所提出的方法中，模型不是连续学习的。如果数据集有任何变化，则需要再次训练所提出的模型，这将影响最终结果。6. 结论在这项研究中，我们修改了三个预训练的深度学习模型，用于ECG图像中的COVID-19检测。深度学习技术可用于检测COVID-19，因为与RT-PCR相比，它需要更少的人与人之间的互动。在这项研究中，我们使用ECG图像对COVID-19进行了分类，二分类的准确率为100%多类分类采用优化加权平均技术。与单独评估深度学习模型时相比，该技术改进了分类结果OWAE模型的局限性在于它是在有限的数据集上训练和测试的。所提出的模型需要在大心电图上进行验证K. Prashant等人智能系统与应用16（2022）20015411数据集。自动分析可以潜在地减少花费在诊断上的时间，因为ECG样本可以在几分钟内收集，而深度学习模型可以在不到一秒的时间内处理ECG图像。此外，它还可以在偏远地区的诊断过程中提供很大帮助，因为ECG样本可以通过互联网传输，这将降低所涉及的成本。CRediT作者贡献声明Kunwar Prashant ： 概 念 化 ， 方 法 论 ， 软 件 。 PrakashChoudhary：监督，写作Tarun Agrawal：调查，可视化，验证，写作Evam Kaushik：数据策展，写作&竞争利益作者声明，他们没有已知的可能影响本文所报告工作数据可用性文章中描述的研究未使用任何数据引用Abirami，N.，文森特，D. R.，&Kadry，S.（2021年）。P2P-COVID-GAN：使用GAN对CT图像中的COVID-19肺部感染进行分类和分割。InternationalJournal of DataWarehousing and Mining（IJDWM），17（4），101-118.阿比拉米河N.，Vincent，P.，Rajinikanth，V.，&Kadry，S.（2022年）。使用生成对抗网络进行医学图像合成的COVID-19分类。InternationalJournal of Uncertainty Futureand Knowledge-Based Systems，13，385-401.Agrawal，T.，&Choudhary，P.（2021）. Focuscovid：使用深度学习与胸部X光图像自动检测COVID-19。 Evolving Systems，13，1-15.Agrawal，T.，&Choudhary，P.（2022）.胸部X线摄影图像分割与分类的系统研究。视觉计算机，1-39。https://doi.org/10.1007/s00371-021-02352-7Al-Aalim，A. M.，Hamad，M.一、&AL-ledani，A. A.（2020年）。关于新型冠状病毒的一些见解 19病毒：结构、致病性和免疫方面。伊拉克兽医科学杂志，34（2），287-293。Ashley，E. 一、Niebauer&，J. （2004年）。心律不齐心脏科解释说。 Remedica.阿塔拉岛（2022年）。ECG-BiCoNet：基于ECG的管道，使用双层深度特征集成进行COVID-19诊断。生物学和医学中的计算机，142，105210。Attia，Z.一、卡帕，S.，诺斯沃西，宾夕法尼亚州，Lopez-Jimenez，F.，&Friedman，P.A.（2020年）。人工智能心电图检测COVID-19左心室功能障碍：病例系列，第95卷。Mayo Clinic Proceedings（英语：Mayo Clinic Proceedings）2464-2466）。爱思唯尔贝尔蒂尼，M.，费拉里河Guardigli，G.，马拉加，M.，Vitali，F.，Zucchetti，O.，等（2020年）。431例连续重症COVID-19患者的心电图特征：对心脏受累机制的深入了解。EP Europace，22（12），1848-1854.Byer，E.，阿什曼河，&托特湖，澳-地A.（一九四七年）。心电图显示大的直立T波和长QT间期。 American Heart Journal，33（6），796-806.邓，J.，董伟，Socher河，李湖，澳-地J.，Li，K.，&费费湖（2009年）。Imagenet：一个大规模的分层图像数据库. 2009年IEEE计算机视觉与模式识别会议（IEEE Conference on Computer Vision andPattern Recognition）248-255）。美 国 电气与电子工程师协会。Ekbal，A.，&萨哈，S。（2013年）。生物医学实体提取的特征选择与堆叠集成。Knowledge-Based Systems，46，22-32.Ferna'nesthet-deLas-Pe nEscheras，C.， Palacios-C enpoucha，D.， 戈麦斯-马约尔多莫，五，弗洛伦西奥湖L.，夸德拉多湾L.，Plaza Manzano，G.，等（2021年）。COVID-19后的患病率住院和非住院COVID-19幸存者的症状：系统综述和荟萃分析。欧洲内科杂志，92，55-70。胡，J，沈，L.，&孙，G.（2018年）。挤压-激发网络。IEEE计算机视觉与模式识别会议论文集（Proceedings of the IEEE Conference on Computer Vision and PatternRecognition） 7132-7141）。Huang，G.，刘志，范德马滕湖，&Weinberger，K. Q.（2017年）。密集连接的卷积网络。IEEE计算机视觉与模式识别会议论文集（Proceedings of the IEEE Conference onComputer Vision andPattern Recognition） 4700-4708）。Kamal，M.，Abo Omirah，M.，Hussein，A.，&Saeed，H.（2021年）。COVID-19后表现的评估和表征。国际临床实践杂志，75（3），e13746。汗，A。H、Hussain，M.，&Malik，M. K.（2021年）。心脏和COVID-19患者的ECG图像数据集。数据简报，34，106762。Lam，K.，McClelland，S.，&Dallo，M. J.（2020年）。心电图：对COVID-19患者的护理至关重要。澳大利亚医学杂志，213（10），476。Li，L.，Zhang，S.，（1991），中国农业科学院，他，B.，陈旭，王，S.，&赵，英-地（2020年）。COVID-19重症住院患者死亡的危险因素和心电图特征。临床心脏病学，43（12），1624-1630。利利湖S.（2012年）。心脏病的病理生理学：医学生和教师的合作项目。利平科特·威廉姆斯&·威尔金斯。Mahendran，N.，文森特，D. R.，Srinivasan，K.，昌角，澳-地是的，Garg，A.，加奥湖，等人（2019年）。传感器辅助加权平均集成模型检测重性抑郁障碍。Sensors，19（22），4822.Oran，D. P.，&Topol，E. J.（2020年）。无症状SARS-CoV-2感染的患病率：回顾性研究Annals of Internal Medicine，173（5），362-367.Ozdemir，M.一、Ozdemir，G. D、&居伦岛O.（2021年）。使用六轴特征映射和深度学习对COVID-19心电图进行分类。BMCMedical Informatics and Decision Making，21（1），1-20.帕里，J。（2020年）。中国冠状病毒：随着官方承认人传人，病例激增Rahman，T.，Akinbi，A.，乔杜里，M。E、Rashid，T.一、S engür，A.，Khandakar，A.，等人（2022年）。COV-ECGNET：使用深度卷积神经网络的ECG轨迹图像进行COVID-19检测。 健康信息科学与系统，10（1），1-16。Riou，J.，&阿尔特豪斯角L.（2020年）。武汉2019新型冠状病毒（2019-nCoV）早期人传人模式，2019年12月至2020年1月。Eurosurveillance，25（4），2000058.鲁滕湖J.F.，Zhu，X.，Leppin，A. L.，里奇韦，J.L.，斯威夫特，M. D、格里芬，J.M.，等人（ 2021年）。 临床组织应对COVID-19疫苗犹豫的循证策略，第96卷。Mayo Clinic Proceedings（英语：Mayo Clinic Proceedings）699-707）。爱思唯尔Santoro，F.，Monitillo，F.，Raimondo，P.，Lopizzo，A.，Brindicci，G.，Gilio，M.，等（2021年）。2019冠状病毒病（COVID-19）患者住院期间的QTc间期延长和危及生命的心律失常：来自多中心前瞻性登记研究的结果临床传染病，73（11），e4031-e4038。Shahhosseini，M.，Hu，G.，&Pham，H.（2022年）。优化回归问题机器学习模型的集成权重和超参数。机器学习与应用，7，100251。Shashvat，K.，巴苏河，Bhondekar，A. P.，&Kaur，A.（2019年）。传染病预测的加权系综模型。Current Pharmaceutical Biotechnology，20（8），674-678.Shereen，M.一、Khan，S.，Kazmi，A.，Bashir，N.，&西迪克河（2020年）。COVID-19感染：人类冠状病毒的出现、传播和特征。高级研究杂志，24，91-98。Simonyan，K.，&Zisserman，A.（2014年）。用于大规模图像识别的深度卷积网络。arXiv预印本arXiv：1409.1556。Sobahi，N.，Sengur，A.，Tan，R.-美国，&阿查里亚湾R.（2022年）。基于注意力的3C CNN，具有残余连接，用于基于ECG的有效COVID-19检测。生物学和医学中的计算机，143，105335。Tan，M.，&Le，Q.（2019年