基于双向长短时记忆的心电信号分类研究

医学信息学解锁22（2021）100507基于双向长短时记忆的心电信号分类Siti Nurmainia，*，Alexander Edo Tondasb，Annisa Darmawahyuni a，Muhammad Naufal Rachmatullaha，Jannes Effendi a，Firdaus Firdaus a，Bambang Tutuko aa智能系统研究组，Universitas Sriwijaya，Palembang，30139，印度尼西亚b心&血管内科，博士Mohammad Hoesin医院，巨港，印度尼西亚A R T I C L EI N FO保留字：自动检测深度学习心电图描绘长短期记忆（LSTM）递归神经网络（RNN）A B S T R A C T心电图（ECG）信号的分析是具有挑战性的，由于其信号形态的复杂性。心律的任何不规则都可能改变ECG波形。这里开发了一个可靠的机器学习模型，为心脏病专家提供大量输入，并帮助确认他们的诊断。为了实现高诊断准确性，几乎所有的ECG分析工具都需要在ECG记录中保存P波、QRS波群和T波的各个段的位置和形态的记录。然而，分析如此大量的ECG记录并不总是容易的。在大多数情况下，这是具有挑战性和非常耗时的。因此，有必要对自动ECG信号描绘进行深入研究。本文提出了一种利用具有双向长短期记忆（LSTM）结构的递归神经网络（RNN）的ECG波形信号自动描绘算法。该描绘过程包括四个步骤：噪声消除、ECG波形分割、ECG信号分类为四类（P波、QRS波群、T波和等电位线）和模型评估。分类基于持续时间进行，并且通过使用来自众所周知的QT数据库（QTDB）的注释数据来确定每个波形。结果表明，该模型对4类疾病的平均准确度、灵敏度、特异度、精确度和F1评分分别为99.64%、98.74%、99.75%、98.81%和98.78%。所提出的模型与来自QTDB的异常ECG信号进行了验证，即，MIT-BIH心律失常、MIT-BIH ST改变、MIT-BIH室上性心律失常、欧洲ST-T和MIT-BIH长期ECG。结果表明，双向LSTM可以从QTDB中描绘出正常和异常情况 所提出的划界方法可用于以下潜在应用：进一步调查1. 介绍心电图（ECG）是一种电生理信号，包含大量有关心脏电活动的有价值信息。ECG波形见于心跳的临床评估，包括P波、QRS波群和T波[1，2]。ECG波形的振幅和时间间期可提供心律异常和心脏疾病（如缺血、QT综合征（长和短）和心肌梗死）的信息[2ECG波形描绘用于确定诸如幅度和时间间隔的特征进行精确的描绘，然而，由于许多原因，这是一项相当困难的任务：（i）P波具有低振幅，并且可能被电极运动或肌肉噪声掩盖 [2];（ii）P波和T波可以是双相的，这增加了准确确定波的起点或终点的难度[2];(iii) P波可以不存在，尽管它们也可以在快速心率模式中与先前心跳的T波部分重叠[3];以及(iv) 某些心律失常实体不能包含所有标准ECG波[5]。波的开始是信号的初始开始，而波的结束是信号的偏移因此，设计一个自动化和准确的心电图描绘将是有用的，作出良好的决定，心律异常。* 通讯作者。智能系统研究组，计算机科学学院，大学Sriwijaya，巨港，30139，印度尼西亚。电 子 邮 件 地 址 ： siti_nurmaini@unsri.ac.id ， sitinurmaini@gmail.com （ S 。 Nurmaini ） 、 tondas2000@gmail.com （ A.E.Tondas ） ，riset.annisadarmawahyuni@gmail. com（A. Darmawahyuni），naufalrachmatullah@gmail.com（M.N.Rachmatullah），jannes200019@gmail.com（J. Effendi），virdauz@gmail.com（F.Firdaus），bambangtutuko60@gmail.com（B.Tutuko）。https://doi.org/10.1016/j.imu.2020.100507接收日期：2020年9月8日;接收日期：2020年12月20日;接受日期：2020年12月21日2020年12月24日在线提供2352-9148/©2020的 作者。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/imuS. Nurmaini等人医学信息学解锁22（2021）1005072∑[客户端][客户端]0的情况。自动描绘算法的重要性在于其识别P波、QRS波群和T波的各个波形分量。这些信号识别过程包括ECG位置（起始、峰值和偏移）和所有波形分量的幅度[5]。在之前的研究中，ECG信号的自动分层被广泛执行，旨在测量波的宽度或持续时间[6，7]。然而，时间的起点和终点非常复杂，难以测量。由于这一点，它总是出现在众所周知的和独特的频带。已经提出了几种用于进行此类测量的自动化方法，例如线性回归，逻辑回归和分类[3，4，8，9]。回归是最重要的方法，因为当所有属性都是数值时，它是可用的，而当所有属性都是类别时，则使用分类。但是，这两种方法在 这两个类别在某些方面受到限制。一个基本的挑战是找到一个以上的边界划分集。在文献中已经提出了几种算法来实现这一点，包括基于阈值的算法[10]，隐马尔可夫模型[11]，曲线拟合[12]，小波变换[13]和机器学习技术[3，14，15]。对于大多数当前算法，典型的策略是提取P波QRS波群和T波整体的准确性因此，设备在很大程度上取决于ECG分割的准确性及其特征的测量。然而，由于在分割和测量阶段中的测量的主观性质，总是存在高度的不确定性和可变性。因此，在稳健条件下设计和开发ECG信号的自动描绘算法是一个关键过程[16]。已经进行了几项研究，以评估这些算法的性能。不幸的是，缺乏标准化的数据库，其包含相当大量的具有手动执行的波形边界测量的仔细注释的心跳。这种情况反映了临床医生必须付出巨大的努力来手动注释QRS波群的统计相关集合。具有自动特征学习的深度学习（DL）允许基于传统神经网络的多层计算模型从数据的多层抽象表示中学习[17]。DL是一种相对较新的方法，但在许多医疗保健应用中，它已显示出有前途的数据合成能力[18神经网络用于复杂的心脏病学任务-特别是心律失常中的心跳检测[8]，过度功能性和病理性重塑模式之间的区分[21]，风险分层 和 心脏 失败 预后 [22]， 和 各种简单的-心电图分析[23，24]。据我们所知，DL应用于自动描绘检测和预测P波，QRS波群和T波的研究仍然有限。相反，需要精确地执行ECG波形信号描绘。在这项研究中，我们提出了使用DL进行自动描绘的想法。ECG波形的描绘仅关注于识别ECG心波。因此，需要设计和开发使用DL的ECG波形信号的自动描绘算法，以在更大范围内研究该问题。 深入 之间 DL 架构， 复发性 神经网络（RNN）是一种可以对数据序列进行建模的架构，例如。结合LSTM结构的RNN的优点和ECG信号的特点，本文使用LSTM结构的RNN作为ECG信号的描述方法。本文的贡献和创新之处如下：对ECG信号波形进行分类，以自动描绘从P波开始到下一个P波开始的• 每个样本被分为四个持续时间的心波-P-波、QRS波群、T波和等电位线-以产生时间特征的识别;双向LSTM架构用于分类;针对正常和异常QTDB数据集评估信号描绘。本文的其余部分组织如下。在第二节中，我们解释了本研究中使用的方法。我们在第3节中介绍了我们的结果和讨论，并在第4节中评估了我们提出的方法的性能。最后，我们在第5节中回顾我们的结论。2. 方法2.1. 离散小波变换ECG信号通常会因不同形式的信号噪声而失真，包括电源线等伪影;其中最常见的伪影在参考文献[28]中突出显示。这种噪声会影响信号的质量，并降低解释的准确性。由于噪声和干扰，无法从原始信号中轻松提取感兴趣的信息，必须在生成ECG解释模型之前对其进行初始处理[29为了达到对心电信号去噪的目的，本文采用了小波变换（WT）。小波变换，特别是小波包分解（WPD），可以在噪声信号中分离为高频和低频内容[33]。小波分析应用于特定的生物医学工程问题，包括降低ECG信号中的噪声[28，34]。小波变换是一种时频技术，它在时域和频域中表示局部ECG信号信息，通过时间窗口和频率窗口设置分别改变低频和高频子带[35]。去噪小波算法包括三个步骤：小波分解、系数处理和小波重构[36]。一维信号fn的离散小波变换（DWT）可以通过同时使其通过高通和低通滤波器来计算。如果低通滤波器具有脉冲响应g n，则可以评估其DWT。通过计算原始信号与模拟信号的卷积来评估脉冲响应定义如下，∞y[n]=（f*g）[n]=f[k]。g[n-k]（ 1）k=-∞使用具有通用阈值（等式（2））的软阈值方法（等式（1））再次对分解的结果进行滤波。第一级分解的结果用于将阈值计算为，例如，在一个实施例中，ECG信号处理RNN可以实现顺序预测，直接对时间流进行建模。RNN及其变体（长短期记忆（LSTM）和门控递归单元（GRU））可以在方面得到改进，因为它们的性能可以通过为分类器提供精心制作的特征来优化[25]。然而，在某些情况下，LSTM的表现优于GRU [25，26]。因此，需要使用具有LSTM架构的RNN进行准确的ECG描绘。之一t=σ2logN其中σ=中位数（|cDj|），N是信号或数据（数组）的长度2.2. RNNs-LSTM架构（二）ECG信号的特征是其序列。ECG信号的序列检测并记录在人的心脏中发生的电活动的强度和定时。具有LSTM架构的RNN具有强大的架构，已成功且准确地实现ECG描绘[27]。因此，通过结合人工神经网络（ANN）有两个缺点：（i）无法处理时间数据，这需要固定的输入和输出大小，以及（ii）网络的局限性，无法基于过去的输入来处理未来的输入[37]。这些缺点的存在是因为ANN是独立的，并且省略了之前前馈的所有内容···S. Nurmaini等人医学信息学解锁22（2021）1005073+我我不ot=ci）或δo=δh<$f（c）（1at=（12）（3）it=（13）f=我输入.它们只关注特定的输入，然后将其直接映射到输出向量。顺序输入的输出仅为因为，通过忽略非线性，所有等式（3）当所有输入都相互依赖时，整个输入是有用的。⎡̂at⎤WcUc不相比之下，递归神经网络（RNN）提供了更大的灵活性zt=it=WfUfOWUX=WIt（7）在通过使用它们的存储器来处理各种输入和输出大小时，⎣̂ft⎦沃乌乌产生依赖于整个历史的输出输入[38]。RNN允许对序列或一条向量链这些序列可以是输入、输出，甚至两者都是。RNN的架构之一是长短期记忆（LSTM）。这种架构被提出来解决消失或爆炸梯度问题，这是由RNN解决的[26，39]。具有LSTM架构的RNN适用于基于时间步长的顺序数据处理[40，41]。本研究关注检测P-QRS-T起始-偏移点的持续时间（秒）。与RNN标准相比，LSTM的架构略有不同，因为存在一种称为记忆单元的复杂机制。记忆单元以智能的方式学习输入，使LSTM网络能够处理和存储短期和长期记忆的信息。 通过使用门机构，存储器单元C t 值通过组合t 和前一个单元格的内容。它通过使用门输入it和遗忘门ft的幅度的组合进行处理。最后，LSTM单元通过非线性传递更新的单元值来计算输出ht值（k表示元素乘积）。ct=itat+ftct-1（8）ht=otf（ct）（ 9）2.2.2. 向后传递时间反向传播（BPTT）在LSTM架构中被称为反向传递。反向过程对方程进行方程（8）或δct=ΔE和方程（9）或δht =E。利用链式法则记忆细胞周期监控着来自大脑的信息量根据三个时间步长，T型等式（8）和（9）变为，ht组件：（1）输入，（2）遗忘，（3）输出门[26]（图1）。E∂E∂htt tt t t图1示出了图1中的前向传递和后向传递的过程。基于前一次（xt-1）、当前（xt）和下一次（xt+1）的LSTM架构。下面将介绍这两种类型的传球我我EE我不是ht我tt。二、t））ttt。2t）ct=或δc+ =δho1-f（c）2.2.1. 向前传球我我我（十一）前向传递通过从t1开始并递归地应用更新方程同时加上t来计算长度为T的输入x。 脚本i、f和o分别引用来自块的输入门、遗忘门和输出门。脚本c指的是C个存储单元中的一个。在时间t，LSTM以向量xt的形式接收新的输入（包括在这个阶段中使用的激活函数f是Tanh。符号+=用于计算每个时间步长t+1的梯度。分别在等式（3）-（5）上更新LSTM的存储单元（at，it，ft，和ct-1）在反向通过过程AS中，偏置）和前一时间步中的向量ht-1的输出。的EEttt t t tWi、Wf和Wo。输入值门、输入门、遗忘门和输出门的单单元参数（at、it、ft、ot）可以用以下方程描述：我我EE我ttt t t tat=tan h。Wcxt+Ucht-1）（3）我我EE我T型Itσ。WxtUht1）σ（it）（4）t t ti i我我我=I+i-为̂E=E我T型 =δctft或δct-1=δctft（15）t.不t-1）（t）T型t-1i if=σWf x+Uf h〇t= σ。WO1=σf（五）为了计算反向传递阶段的输入、遗忘和输出门，参数z t 在公式（7）中（前向相位）被更新为我我我我输入、遗忘和输出门的一个单元的权重标注为Wc，S. Nurmaini等人医学信息学解锁22（2021）1005074图1.一、 基于前一次、当前和下一 次的LSTM架构。S. Nurmaini等人医学信息学解锁22（2021）1005075δot=δotot（1-ot）（1̂̂̂̂不不不不不不不不δat=δ at。1-tanh2（at））（16）δi=δii（1 -i）（17）δf=δff（1-f）（18）等式（16）δzt=[δat，δit，δft，δot]T（20）并且，在本发明中，δIt=Wt<$δzt（21）然后，在步骤S102，It=xtht-1]（二十二）基于等式（7）、（20）和（21），可以通过使用等式（22）在LSTM网络中更新权重，如下所示：δWt=δzt（It）T（23）3. 实验研究在这项研究中，使用QTDB开发的用于ECG波形信号形态自动描绘的具有堆叠LSTM算法的RNN包括以下主要步骤：（1）从QT数据库中提取原始数据，（2）使用DWT进行噪声消除的预处理，以及（3）使用具有双向LSTM的RNN对ECG波形进行分类，用于P波，QRS波群，T波和基于持续时间的等电位线所提出的方法的所有阶段如图所示。 二、3.1. 数据集在这项研究中，我们使用QT数据库（QTDB）。原始ECG数据来自著名的Physionet公共数据集[42]。QTDB由105个ECG记录组成，记录时间超过15分钟，来自双通道Holter-ECG记录，包括各种QRS和ST-T形态。所有记录样本均在250 Hz下采集。目前的数据库是一个很好的来源，各种各样的和明确的心电图数据。这些记录主要从现有ECG数据库中选择，包括15条MIT-BIH心律失常记录、6条MIT-BIH ST改变记录、13条MIT-BIH室上性心律失常记录、33条欧洲ST-T记录、4条MIT-BIH长期ECG记录、10条MIT-BIH正常窦性心律记录和24条BIH“猝死”记录。总的QTDB数据集包括大约105个记录，并且可以在图3中看到六个数据库的原始数据的样本。所有记录均包含带有文件record.dat、record.hea和record.atr的信号，这些文件被指定为来自QTDB的数据的原始注释。然而，猝死的记录被排除在外，因为信号形态变化太大。仅利用P波、QRS波群和T波中的ECG信号的完整波形。此外，本研究仅使用来自QTDB的单通道Holter-ECG记录。3.2. 噪声消除不幸的是，从ECG监测的信号形态中提取的生命体征可能在采集期间被不同类型的伪影或电源线干扰破坏[43]。通过去除各种噪声和伪影，改善了心电信号显然，从信号中去除噪声有助于处理。ECG信号的不同频带使其成为合适的图二. 自动描绘ECG波形信号形态的工作流程。使用WT的多分辨率分解的候选者。小波变换作为一种多分辨率信号分析工具，为选择性噪声滤波创造了可能性，从而有效地促进了形态学观测。已经提出了具有良好结果的DWT [5，13，28，44]。 通过从噪声信号中重建ECG信号，将DWT应用于该过程。在小波分解中，选择小波函数并分解到l层。使用小波变换的去噪过程的第一步是通过压缩、拉伸或平移母小波来选择，母小波形成函数（或小波族）的集合。在本研究中，选择Bior6.8，因为该小波函数在先前的研究中已被彻底探索[44]。与用于对ECG信号进行去噪的其他小波函数相比，它产生了高SNR[44]，并且在我们先前的研究中为ECG信号噪声消除提供了良好的结果[8]。接下来就是腐烂程度了系数为信号产生的信号可能已经被改变，并且[S. Nurmaini等人医学信息学解锁22（2021）1005076图三. QT数据库的原始数据。S. Nurmaini等人医学信息学解锁22（2021）1005077信号的重构意味着去除不期望的信号分量。选择N阶小波函数，对信号进行N阶小波分解。将心电信号分解为8个层次。在使用DWT模型之前，进行了使用3、4、5、6、7、9和10个分解水平的七个实验。为了达到良好的性能，在对称结构内重复小波分解过程八次。通过使用具有通用阈值（等式（2））的软阈值方法（等式（1））再次对分解的结果进行滤波。第一级分解结果用于计算阈值，并且2D DWT分量的所有级别可以在图4中看到。DWT仅从数据中提取临床相关标志物，这将馈送到复发性网络算法中的数据减少了一个数量级，同时显著增加了分类准确性和执行时间。3.3. 心波时限分类P波、QRS波群和T波的心波系列表示ECG信号形态的持续时间。它用于识别有多种症状风险的患者。间隔、分段测量、心率和R峰频率等特征对于试图识别心脏病的临床医生具有显著的益处。所设计的算法必须应用于描绘的心跳，其突出了电心动周期的几个基本测量P-QRS-T线中发生的任何明显变化都表明心跳不规则。ECG波形的生理学和形态学经常用于临床试验[4，45]。然而，很难产生自动产生用于测量持续时间的开始和终点的形态学描述的算法[3，14，15]。因此，ECG信号形态的自动描绘具有挑战性。本文提出了一种基于双向LSTM的RNN。通过整合从QTDB中提取的原始ECG数据中提取的输入变量，该方法用于自动识别以下持续时间的位置和幅度，例如P波，QRS波群和T波。QTDB为WFDBecgpuwave函数提供输入，该函数为我们提供信号中所有P、R和T峰的确切位置[46]。ecgpuwave输出被编写为与指定注释器相关的标准WFDB格式注释文件。它被用作所提出的ECG分类过程的“地面实况”或标签。采用P波、QRS波群、T波和等电位线进行心电波分类。每个序列使用370个节点的固定窗口大小。窗口大小足够大，可以捕获一次心跳（从P波1开始到P波2开始）。在信号分割之后，我们生成了从P波开始到结束的索引， QRS波群和T波位置基于ecgpuwave的真实数据。节点的见图4。ECG小波用于记录sel100.dat中的降噪（蓝色：ECG原始数据;绿色：阈值处理前后的分解）。(For关于此图例中颜色的解释，读者可参考本文的Web版本S. Nurmaini等人医学信息学解锁22（2021）1005078秒所有这些持续时间点都以约250 Hz的采样频率进行采样，并且可以通过利用以下等式[44]来计算以秒（sec）为单位的持续时间：LSTM。如表2所示，双向LSTM在所选指标上的平均性能优于单向LSTM。平均灵敏度从97.96%提高到98.74%，持续时间点采样双向LSTM 的 其他 度量还 增加所以我们（秒）=采样频率（Hz）（24）在预处理步骤之后，生成了具有双向LSTM架构的RNN模型。使用单向和双向通道评估LSTM模型，以确定最佳模型。选择了具有表1中所示超参数的双向LSTM架构。该层的组成是1（一），其中每个隐藏的激活函数都是Tanh-Sigmoid或Adam优化器。输出激活函数是Softmax，其学习率为0.0001。分类交叉熵被选为 损失函数从所提出的方法产生的持续时间进行了比较与QTDB的ecgpuwave和手动注释的专家。在本研究中，并非来自QTDB的所有记录都由专家手动注释，因为每条记录中仅包含30次搏动。因此，由ecgpuwave注释的QTDB记录成为地面真值，而LSTM的分类持续时间成为预测值。图5描述了这个过程，并展示了P-QRS-T波中注释（由ecgpuwave和专家）和预测（来自拟议的LSTM架构）之间的差距。4. 结果和讨论在分类过程中，包含来自正常窦性心律的QTDB的10个记录的数据成为P波、QRS波群、T波和等电位线分类的基线。使用随机抽样，分类过程分为90%的训练阶段和10%的测试阶段。训练集中的样本总数为7.714，而测试集使用了858个样本。测试集作为验证集，用于调整超参数并确定设计的模型的最佳数量。为了获得准确的结果，我们使用了一个带有NVIDIA GeForce RTX 2080和CuDNNLSTM的工作站。这个GPU加速的深度神经网络库支持训练LSTM，以分类所有类别（P波，QRS波群，T波和等电位线）的持续时间。如上所述，心跳分段包含一个R峰-从一个P波的开始到下一个P波的开始。在来自QTDB的正常窦性心律的所有信号记录中，从一个P波开始到下一个P波开始的最大长度为370个节点。如果从一个P波开始到下一个P波开始的长度没有达到最大长度，我们设置一个条件，要求我们调整该长度;没有使用填充。显示了QTDB的LSTM性能结果 在 表 二、 的 五 性能 度量-即，准确性，灵敏度， 特异性， 精确度， 和 F1 得分 使用 为测量结果[20，25]。这五个指标通常用于ECG信号处理中的分类任务[44，47，48]。将结果与QTDB中由ECG波注释的P波、QRS波群、T波和等电位线数据进行比较。在实验中，我们还将标准LSTM与双向LSTM进行了比较。结果表明，双向LSTM具有更好的性能。标准（单向）LSTM保留了过去的信息，并且只在向前传递中运行输入。双向阶段在向前和向后传递中运行输入，并保留来自过去和未来的信息。 表2显示了单向和双向选择双向LSTM模型进行P波、QRS波群、T波和等电位线分类。我们已经通过专家注释对正常窦性心律数据库（.q1c）的双向LSTM进行了验证（参见表3）。表3显示了在QTDB（.q1c）中具有专家注释的双向LSTM模型的结果，其在每个记录中包含30个非顺序手动注释的节拍。在正常窦性心律数据库的记录中总共有300个手动注释的搏动。正如我们在表3中看到的，与表2相比，所有性能指标的平均值都有所下降。例如，灵敏度从98.74%上升到89.89%。这是可能的，因为并非所有具有专家注释的记录都是手动注释的。专家的手动注释有时会放错地方，注释通常与信号波形一起丢失。决定就基准点的时间位置寻求专家注释。不幸的是，在ecgpuwave中，注释是使用微分阈值方法检测的，而不是基准点。这可能会影响双向LSTM学习模型中所有P、R和T峰的确切位置。P波的准确性和精密度分别为99.24%和99.27%。灵敏度仅为89.93%。QRS波群的敏感性达92.55%，但准确性下降，仅为88.81%。最差的验证结果是T波，灵敏度为79.44%，F1评分为87.79%。所提出的双向LSTM架构也在一个QT数据库异常。例如，对MIT-BIH心律失常、MIT-BIH ST改变、MIT-BIH室上性心律失常、欧洲ST-T和MIT-BIH长期ECG进行了培训（参见表4）。对于MIT-BIH心律失常，平均准确度、灵敏度、特异性、精确度和F1评分值分别为99.31%、97.43%、99.56%、97.50%和97.47%。通常，对于心律失常病例，P波的位置是一个重要因素;例如，心房颤动（AF）是老年人群中最常见的心律失常之一。P波的缺失是AF检测的重要且临床有用的特征之一。这使得P波的描绘在临床实践中相当重要。它也被应用于MIT-BIH室上性心律失常，我们也取得了良好的性能，所有波形的平均准确度为99.26%。平均灵敏度、特异度、精确度和F1评分值分别为97.31%、99.51%、97.60%和97.45%。另一方面，特别是对于ST段，终末QRS（J点）和起始T波是关键的，因为ST段表现出短暂的ST压低或升高，并且是从长期ECG记录中摘录的。对于MIT-BIH ST改变和欧洲ST-T，平均准确度值分别为99.31%和不幸的是，在长期心电图记录中，我们获得的平均灵敏度、精确度和F1评分值结果较差，分别为93.91%、94.93%和94.38%。过长的信号记录可能会导致正常T波与其他T波类别重叠-例如，倒置、仅向上、仅向下、双相负-正或双相正-负。具有多个心脏复合波的ECG信号可以帮助模型找到心波关系。在所有情况下，所提出的模型可以分类的ECG波形分量的所有类别。信号描绘的最高平均准确度在MIT-BIH ST改变中约为99.48%，表1双向LSTM的拟议架构。大小熵方法输入层输出层隐层神经元激活函数隐藏激活功能输出学习率损失函数批时代双向LSTM(370（1）5512双曲型Softmax0.0001分类交叉-8300S. Nurmaini等人医学信息学解锁22（2021）1005079图五. P波、QRS波群、T波和等电位线分类过程的示例。表2正常窦性心律数据库中基于ecgpuwave符号的所有类的LSTM性能方法度量业绩（%）p波波群t波等电位线平均单向精度99.8399.7499.3198.8999.44LSTM灵敏度98.7397.7496.6498.7697.96特异性99.8999.8799.6998.9799.60精度98.3998.1497.8898.3498.18F1得分98.5697.9497.2698.5598.07双向精度99.8499.8999.5499.2999.64LSTM灵敏度98.3899.1098.4799.0498.74特异性99.9399.9499.6999.4499.75精度99.0099.2497.9299.1098.81F1得分98.6999.1798.2099.0798.78表3基于专家注释的所有类的双向LSTM性能业绩（%）P波QRS波群T波等电位线平均准确度99.24 98.78 96.53 94.71 97.31表4异常数据库中所有类的双向LSTM性能数据库平均性能（%）准确度灵敏度特异性精密度F1-评分术语ECG灵敏度89.9392.5579.4497.6489.89mit-BiH99.3197.4399.5697.5097.47特异性99.9599.2099.7192.5697.85心律失常精度99.2788.8198.1090.5794.18MIT-BIH ST变更99.4897.8399.6898.0897.95F1得分94.3790.6487.7993.9791.69mit-BiH99.2697.3199.5197.6097.45室上心律失常MIT-BIH长期心电图的准确率最低为97.88%。由于欧洲ST-T99.3597.5699.5797.7097.63原始数据条件下，两种信号不同，长期信号与ST段变化相比具有更多的噪声。总体而言，RE-MIT-BIH Long97.8893.9198.5794.9394.38异常QTDB试验的结果表明，拟议的延迟-实验结果表明，该算法在识别ECG信号形态。P波QRS波群异常情况下的T波如图所示。六、S. Nurmaini等人医学信息学解锁22（2021）10050710图六、QTDB异 常 的P波、QRS波群、T波、等电位线表 现 。此外，为了在正常和异常节律中评估所提出的模型，我们使用了学习曲线。学习曲线由准确性和损失曲线组成，显示了模型随时间（以时期为单位）的学习性能。在每次更新之后，在训练期间，可以生成评估结果的图以显示学习曲线。该模型可以在训练数据集和保持测试数据集上进行评估。在训练过程中回顾模型识别学习问题，例如欠拟合或过拟合模型，并评估训练和测试数据集是否可接受。在每个数据库中生成准确度和损失曲线，以表示双向LSTM和注释的QTDB记录之间的比较。有与QTDB数据库相关的准确性和损失曲线（图1）。 7（a）至（l））。以前已经表明，建议的RNN与S. Nurmaini等人医学信息学解锁22（2021）10050710见图7。基于所有波形类别的准确度和损失曲线，MIT-BIH正常窦性心律、MIT-BIH心律失常、MIT-BIH ST改变、MIT-BIH室上性心律失常、欧洲ST-T和MIT-BIH长期ECG。双向LSTM在所有类别的ECG持续时间上执行得更准确。以前的研究探索了心电图描绘P波，QRS波群和T波分类。大多数其他研究集中在寻找具有基准点的心脏复合波，而不是独立地分割每个ECG数据点所提出的方法提供了竞争力的准确性，在这一领域以及。表5显示了使用双向LSTM识别心电波的准确性，无论分割如何。Hughes等人[11]Johannesen et al.[49]使用隐马尔可夫模型（HMM）解决ECG分割;他们使用小波编码和马尔可夫模型进行自动ECG间期分析。Lin等人[6]提出了一种传统的机器学习模型，该模型使用贝叶斯方法分割P波和T波。除此之外，Abrishami等人[50]在ECG分段中使用DL。该方法使用具有双向LSTM的RNN仅用于分割P波，QRS波群和T波。然而，与研究[11，49]相比，我们提出的方法优于该方法。特别是对于QRS波群分类，我们提出的算法 可以 实现一个 精度 的 九十九点八九 相比 与以前的研究（见表5）。表5显示了所讨论的每个模型的平均准确度。在准确确定QTDB信号形态的P波、QRS波群和T波值这一重要任务上，具有双向LSTM的RNN显著优于其他方法，并为每种信号形态产生了持续时间和QRS波群分类，结果非常好。此外，使用来自QTDB的ECG信号，我们分别实现了P波、QRS波群、T波和等电位线的平均准确度值为99.84%、99.89%、99.54%和99.29%。由于正常和异常心电信号的空间模式多种多样，传统的特征提取方法，如基于导数的方法、基于幅度的方法等，无法提取各种心波空间阵。相比之下，使用多层特征滤波器的LSTM架构的RNN可以自动从ECG信号中提取更复杂的特征。这些特征可以识别各种ECG波形（P波、QRS波群和T波），描绘这些波形分量，并检测关键ECG波。这些结果开辟了对未来研究产生影响的可能性，表5ECG分类精度比较。作者方法数据集准确度（%）P波QRS波群T波等电位线Hughes et al. [11]隐马尔可夫模型100 ECG波形05.50 79.00 83.60Johannesen等人[49] Wavelet QTDB 85.60 89.70 92.80[6] Bayesian QTDB 98.93[50] Bidirectional LSTM QTDB 92.00 94.00 90.00BidirectionalLSTM QTDB 99.84 99.89 99.54 99.29S. Nurmaini等人医学信息学解锁22（2021）10050711心脏病学虽然结果看起来很有希望，但我们的研究也有一些局限性：由于专家（心脏病专家）手动注释的ECG描绘有限，我们使用了由ecgpuwave• 我们只将T波归类为正常而忽略了其他T波类别-即倒置、仅向上、仅向下、双相负-正或双相正-负。我们没有在其他ECG描绘数据库中验证所提出的模型。研究仅限于QTDB中的ECG波形，更多的数据集可以实现更大的泛化。5. 结论ECG波形描绘是用于确定幅度和时间间隔的过程。这是一个具有挑战性的任务，由于几个因素，如低幅度的P波，双相P波和T波。P波的前一次搏动可能与T波缺失或部分重叠;一些波是心律失常的，具有异常搏动;并且T波结束的测量固有地是主观的。因此，提供一种准确的自动化ECG描绘设备可以极大地有益于医学界，该设备可以在每次测量中提供可靠性、一致性和安全性。在这项研究中，提出了具有双向LSTM架构的RNN，通过自动描绘ECG波形来克服这个问题。主要过程分为噪声消除，持续时间分割，基于波形的持续时间分类，和模型评估-一套完整的实验分类使用一个著名的QTDB数据集与正常和异常条件。该模型实现了基于QTDB、ecgpuwave和专家标注数据的心电信号自动描绘，取得了满意的效果。所提出的模型在整个实验中产生99.64%的准确性，98.74%的灵敏度，99.75%的特异性，98.81%的精确度，和98.78%的F1分数。随着这些工具使用专家注释的数据进一步开发，具有双向LSTM架构的RNN可以帮助早期检测和诊断具有多种形态学特征的患者。异常今后，这种划分的潜力应该是用于自动P波、QRS波群和T波检测的潜在应用。通过使用所提出的通用筛选方法，我们可以进一步研究异常形态。作者贡献S.N.概念化、监督和写作--初稿;E.T.验证和评价; A.D.形式分析、数据准备、资源和书面审查编辑;M.N.R.&软件与书评编辑;&数据准备，软件; F.F.数据分析; B.T.数据分析师。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致谢这项工作得到了印度尼西亚研究、技术和高等教育部的基础研究补助 金 （ 096/SP2 H/LT/ DRPM/2019 ） 和 Uni- versitas SriwijayaIndonesia的Ungugulan Grants 2020的支持。感谢智能系统研究小组（ISysRG）的作者全力支持这项研究。附录A. 补充数据本文的补充数据可在https：//doi网站上找到。org/10.1016/j.imu.2020.100507。引用[1] 弗莱明JS。解读心电图Springer Science&BusinessMedia; 2012.[2] V E X ner D.心肌梗死后的无创危险分层：基本原理、现有证据和确定性试验的必要性。 Can J Cardiol 2009;25：21A-7A.[3] Schram M等人，使用深度神经网络从新型多导联智能手机启用的ECG预测心率校正QT间期（QTC）。J Am CollCardiol 2019;73（9增刊1）：368。[4] 放大图片作者：J.诊断长QT综合征的深度学习方法，无需测量QT间期。在：加拿大人工智能会议; 2019年。p. 440- 5[5] 放大图片作者：Yochum M.基于连续小波变换的12导联心电信号P、QRS和T模式自动检测。生物医学信号处理控制2016;25：46-52。[6] 林C，梅莱斯C，Tourneret J-Y.使用贝叶斯方法和部分塌陷吉布斯采样器描绘ECG信号中的P波和T波。 IEEE Trans Biomed Eng2010;57（12）：2840-9.[7] [10]吴伟杰，李伟杰. 一种改进的基于小波变换的心电描记方法P波偏移检测精度。Anal. BioMed. Signals Images2010;20：160-5.[8] Nurmaini S等人，使用深度神经网络和无监督特征提取技术的自动ECG搏动分类系统。应用科学2019;9（14）：2921。https://doi.org/10.3390/app9142921网站。[9] Nurmaini S等人，基于深度学习的堆叠去噪和自动编码器用于ECG心跳分类。电子学2020;9（1）：135。https://do