深度学习诊断糖尿病：ECG信号分类方法的研究和应用

⃝⃝可在www.sciencedirect.com在线ScienceDirectICT Express 4（2018）243www.elsevier.com/locate/icte使用深度学习算法进行斯瓦普纳湾Vinayakumar R.，索曼公司计算工程和网络中心（CEN），Amrita工程学院，Coimbatore，Amrita Vishwa Vidyapeetham，印度接收日期：2018年9月4日;接受日期：2018年在线发售2018年11月8日摘要糖尿病是一种影响全世界许多人的代谢性疾病其发病率每年都在惊人地增长如果不治疗，身体许多重要器官中与糖尿病相关的并发症可能会致命。早期发现糖尿病对于及时治疗非常重要，可以阻止疾病发展为此类并发症。被称为心率变异性（HRV）信号（从心电图（ECG）信号导出）的RR间期信号可以有效地用于糖尿病的非侵入性检测本文提出了一种使用深度学习架构对糖尿病和正常HRV信号进行分类的方法我们采用长短期记忆（LSTM），卷积神经网络（CNN）及其组合来提取输入HRV数据的复杂时间动态特征。这些特征被传递到支持向量机（SVM）进行分类。与我们早期的工作相比，我们在CNN和CNN- LSTM架构中分别获得了0.03%和0.06%的性能改进，而没有使用SVM。所提出的分类系统可以帮助临床医生使用ECG信号诊断糖尿病，准确率高达95.7%。c2018韩国通信与信息科学研究所（KICS）。Elsevier B.V.的出版服务。这是一个开放获取CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：深度学习;糖尿病;心率变异性; ECG; CNN; LSTM1. 介绍糖尿病是一种血糖（葡萄糖）在体内不能代谢的疾病。这会使血液中的葡萄糖这就是所谓的超光速飞行. 在这种情况下，身体无法产生足够的胰岛素。另一种可能性是身体对产生的胰岛素没有反应糖尿病是无法治愈的，必须加以控制。糖尿病患者可能会出现严重的并发症，如神经损伤、心脏病发作、肾衰竭和中风。根据2017年的统计数据，估计全球8.8%的人口患有糖尿病。到2045年，这一比例可能会上升到9.9%。糖尿病引起的高血压，在心血管系统中产生异常，与可能存在的血脂异常、动脉高血压等无关。糖尿病引起心血管自主神经病变（CAN），其完全扰乱神经系统并导致变异性*通讯作者。电子邮件地址：swapna. gmail.com（Swapna G.）。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.2018.10.005在心率上。因此，HRV是识别糖尿病所致神经病变存在的标志物[1]。心率是心电图中相邻的两个连续QRS波群之间的时间间隔。RR间期的变化由HRV表示。主要的吸引力是HRV测量是非侵入性的和可重复的[2]。已经提出了各种机器学习技术用于以非侵入性方式自动检测糖尿病。深度学习技术可以从数据中自我学习，现在越来越多地用于检测糖尿病。这里不需要传统的特征选择和提取方法在我们目前的工作中，我们使用CNN，LSTM及其组合的深度学习架构分析输入HRV信号。我们使用CNN 5-LSTM架构和SVM实现了95.7%的高精度值，使用5倍交叉验证。这项工作是我们早期发表的工作的续集，利用深度学习技术在糖尿病检测中使用HRV作为输入数据，准确率达到95.1%。2405-9595/c2018韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。244Swapna G.，Vinayakumar河，索曼公司/ICT Express 4（2018）243表1以心率变异性数据为输入的糖尿病检测研究综述。作者方法准确度（%）参考文献[4]非线性86.0参考文献[5]高阶光谱90.5参考文献[6]高阶光谱79.93参考文献[7]非线性90.0参考文献[8]离散小波变换92.02参考文献[9]经验模态分解95.63深度学习（CNN-LSTM）95.1建议的深度学习（CNN-LSTM与SVM）95.7方法论文的其余部分具有以下组织：第2节涉及自动化非侵入性糖尿病检测的先前重要工作。第3节涉及深度学习及其架构变体的关键主题。数据集描述见第4节。第5节显示了建议的体系结构。第6节给出了有关实验和所得结果的信息。本文以第6节结束。2. 背景专题和相关著作利用机器学习技术对糖尿病进行无创自动检测基于特征提取、特征选择和分类步骤，采用机器学习方法。有各种各样的作品，不同的是什么类型的特征被提取，什么分类器被尝试。进一步观察到，在语音识别和对象识别的关键人工智能问题中，传统机器学习算法的性能没有达到可接受的水平，这主要是因为所处理的数据的维数很高。机器学习的不足推动了深度学习的研究。深度学习在医疗保健方面也有应用。最近发表的大量工作主要是在医疗保健领域的异常检测。与糖尿病检测相关，[3]使用深度学习技术从输入的HRV数据中检测糖尿病，其准确度值与自动糖尿病检测达到的最大准确度密切匹配。在本文中，我们在诊断糖尿病方面达到了95.7%的最高准确率。表1列出了使用HRV自动非侵入性检测糖尿病的所有重要工作。3. 深度学习深度学习是机器学习的一种形式。与机器学习不同，特征提取和分类在深度学习网络中并不明确深度学习网络的隐藏层在下面给出了深度学习网络的简短描述3.1. 递归神经网络递归神经网络（RNN）能够从输入时间序列中提取动态时间行为。基本的RNN是一个模拟神经元的节点网络，每个节点都有一个指向其他节点的（单向）连接。每个节点都有一个随时间变化的实值激活。每个连接（突触）都有一个实值权重，可以在每次迭代中修改。节点要么是从网络外部接收数据的输入节点，要么是产生结果的输出节点，要么是修改数据的隐藏节点，这些数据通过它们从输入到输出的路由通过与传统前馈神经网络的区别在于，RNN能够使用其内部状态（也称为记忆）来处理输入序列。3.2. 长短期记忆（LSTM）长短期记忆（LSTM）单元是RNN的一种特殊类型的构建单元。它可以分析，分类和预测时间滞后的任何大小的时间数据序列。一个典型的LSTM网络由记忆、输入、输出和遗忘门组成。LSTM中的内存可以记住任意时间间隔内的值。三个门中的每一个都是神经元的一种形式（计算加权和的激活函数）。更重要的是，这些门控制LSTM层中的值的传递;因此这些特殊的神经元被命名为门。通过长短期，强调的事实是LSTM的记忆确实可以持续很长时间。LSTM解决了梯度爆炸和消失问题，这是训练传统RNN时的一个重要问题。3.3. 卷积神经网络卷积神经网络（CNN）是多层感知器的一种改进形式.CNN通常由一个输入层、一个输出层和许多隐藏层组成。CNN的隐藏层通常由卷积层、池化层和全连接层组成。3.4. 混合网络（CNN-LSTM）在 混 合网 络 中 ， 初始 部 分 是 CNN ， 仅 由卷 积 层 和maxpooling层组成。maxpooling1D层3.5. 支持向量机在支持向量机（SVM）中，每个数据样本被表示为空间中的一个点。确保不同类别的样品存在较大的分离。当一个新的数据样本到达时，首先映射到空间。新样本的类别取决于新数据样本点位于分割间隙的SVM的分类间隙可以被看作是一个超平面的情况下，二进制分类。如果存在两个以上的类，则（）下一页Swapna G.，Vinayakumar河，Soman K.P. / ICT Express 4（2018）243-246245Fig. 1. （A）和（B）正常和糖尿病受试者的样本心率信号。分隔间隙可以被看作是放置在高维空间中的一组超平面选择最佳超平面的方式是，从每一侧最近的样本到分离超平面的距离最在我们的情况下，分类只是为了区分正常和糖尿病HRV，因此使用基本的二元SVM分类器4. 数据集描述糖尿病组和正常对照组各20人，取仰卧位，记录10 min的心电图。 使用Pan和Tompkins算法从ECG信号中获得心率时间序列数据。这种实时算法可以有效地检测QRS波群在ECG信号的基础上，其形态特征，如斜率，幅度和宽度。它涉及数字带通滤波（以减少由于噪声引起的错误检测）和阈值操作（以增加检测灵敏度）等过程。ECG信号以500 Hz采样。从记录的数据中提取71个数据集（糖尿病组和正常组相同数量）每个数据集包含1000个样本。输入数据（图1）被传递给深度学习算法，而无需任何进一步的预处理。5. 建议的体系结构所提出的架构的概述在图2中示出。它由三个主要部分组成。在输入层，原始ECG信号的心率变异性作为深度学习 架 构 的 输 入 。 它 包 含 5 个 CNN 层 ， 每 个 层 都 遵 循maxpooling。前两个CNN层包含64和128个过滤器，过滤器长度为3，最大池化长度为2。接下来的两个CNN层包含256和512个过滤器，过滤器长度为3，最大池化长度为4。最后一个CNN层包含1024个过滤器，过滤器长度为3，最大池化长度为6。这个特征映射被传递到LSTM层。LSTM包含70个记忆块，用于学习时域特征。这是dropout 0.1的后续版本。这会随机删除神经元及其连接。最后，将特征传递到SVM进行分类。SVM采用RBF核函数。这是定义如下与样本s和s1图二. 建议的体系结构概述。6. 实验和结果所有实验都在支持GPU的TensorFlow [10]和Keras [11]框架上运行。在这项工作中，我们使用了我们在早期论文[3]中使用的相同配置。 在这项工作中，我们在深度学习网络中提取特征，包括CNN-LSTM架构，并传递到SVM进行分类。LSTM能够处理数据序列中为了确定核函数，我们对线性核和径向基核的支持向量机进行了两次实验。采用RBF核的SVM性能更好。这些SVM模型使用Scikit-learn实现。详细的5倍交叉验证准确度报告见表2。 在几乎在所有的网络结构中，SVM在5倍交叉验证中表现更好，其准确性与用于分类的全连接线性与非线性激活函数相当。因此，我们认为，将用于分类的倒数第二层SVM与用于特征提取的深度学习层相结合可以实现最佳性能。K（s，s1）=exp（1）第一章：2σ27. 结论和今后的工作相当大一部分的人口是在控制下的糖尿病是无法治愈的。如果管理不好，糖尿病可以246Swapna G.，Vinayakumar河，索曼公司/ICT Express 4（2018）243表2详细的结果。架构准确度CNN 1与SVM0.684CNN 2与SVM0.755CNN 3与SVM0.887CNN 4与SVM0.913CNN 5与SVM0.939CNN 1-LSTM with SVM0.743CNN 2-LSTM with SVM0.764CNN 3-LSTM with SVM0.853CNN 4- LSTM with SVM0.937CNN 5-LSTM with SVM0.957导致健康危害。因此，早期发现糖尿病是非常重要的。糖尿病引起的神经损伤，影响心脏的工作。在拟议的工作中，HRV数据被分析，以使用深度学习技术诊断糖尿病。使用SVM网络的CNN 5-LSTM获得了95.7%的最大准确度值。这是以HRV作为输入数据的自动糖尿病检测的最高值。我们的非侵入性，灵活和可重复的系统可以作为临床医生检测糖尿病的可靠工具。可以使用非常大的输入数据集来获得准确性的进一步提高。深度学习的潜力在于如此巨大，它可以在未来迈出一大步，迄今为止，如果足够大的输入数据可用于研究，则从异常检测进行异常预测是具有挑战性的困难领域。通过从输入数据中提取动态特征，可以从可能没有异常的输入数据中尝试异常预测。预测的信息可以作为患者以及医生采取充分控制和预防措施的警告信号。利益冲突作者声明，本文中不存在利益冲突引用[1] M.A. Pfeifer，D.Cook，J.Brodsky，D.Tice，A.Reenan，S.瑞典人，J.B. Halter，D. Porte，正常和糖尿病男性心脏副交感神经活动的定量评价，糖尿病31（4）（1982）339-345。[2] R.E. J.T. Kleiger更大，MS。Bosner，M.K.郑俊荣库克，L.M. 罗尔尼茨基河Steinman，J.L. Fleiss，测量正常受试者心率变异性的变量随时间的稳定性，Am。J. Cardiol. 68（6）（1991）626-630。[3] G. Swapna，S.卡普河Vinayakumar，使用CNN和CNN-LSTM网络和心率信号自动检测糖尿病，ProcediaComput。Sci. 132（2018）1253-1262.[4] 联合国阿查里亚 岛Faust，S.V. Sree ，D.N. Ghista，S. Dua， P.Joseph，V.T. Ahamed，N. Janarthanan，T. Tamura，使用心率变异性信号特征诊断糖尿病的综合糖尿病指数，Comput。生物机械BioMed. Eng.16（2）（2013）222-234。[5] G.斯瓦普纳大学Rajendra Acharya，S. VinithaSree，J.S. Suri，使用从心率信号提取的高阶谱特征自动检测糖尿病，Intell。数据分析17（2）（2013）309-326。[6] 低气压Jian，T.-C. Lim，通过从心率信号获得的高阶谱特征自动检测糖尿病，J. Med. ImagingHealth Inf.3（3）（2013）440-447。[7] 联合国阿查里亚岛Faust，N.A.卡德里，J.S. Suri，W. Yu，使用非线性测量自动识别正常和糖尿病心率信号，Comput。43（10）（2013）1523-1529。[8] 联合国Acharya，K.S. Vidya，D. N. Ghista，W.J.E.利姆角，澳-地Molinari，M. Sankaranarayanan，使用离散小波变换方法通过心率变异性信号进行糖尿病受试者的计算机辅助诊断，Knowl. - Based Syst.81（2015）56-64.[9] R.B. Pachori，M.作者声明：A.沙尚克，U.R. Acharya，使用RR间期信号筛选糖尿病患者的改进在线范例，J. Mech. Med. Biol. 16（01）（2016）1640003。[10] M. Abadi，P. Barham，J. Chen，Z. Chen，中国山核桃A. Davis，J.Dean ， M. Devin ， S. 盖 马 瓦 特 湾 欧 文 ， M 。 Isard 等 人 ，TensorFlow：A system for large-scalemachine learning，in：OSDI，vol. 16，2016，pp. 265-283。[11] F. Chollet等人，Keras（2015）.