ECG信号用于中风诊断的堆叠集成模型

智能系统与应用17（2023）200165一种仅使用原始心电图Prashant Kunwara，Prakash Choudhary*， ba印度喜马偕尔邦哈米尔普尔国家理工学院计算机科学与工程系，邮编177005b印度拉贾斯坦邦阿杰梅尔中央大学计算机科学与工程系，A R T I C L EI N FO保留字：中风CNN叠加集成模型ECG生理数据A B S T R A C T中风是世界范围内老年人死亡和残疾的主要原因之一。这种疾病的早期诊断是可取的。心电图（ECG）信号是诊断中风的有力工具。许多最近的研究使用ECG信号在中风的诊断。本研究的目的是开发一种有效的分类模型，可用于诊断中风疾病的心电图特征。本研究使用从71名不同受试者收集的ECG数据，其中35名为中风患者，36名为正常患者。本研究提出一种堆叠集成模型，该模型通过堆叠三个不同的卷积神经网络（CNN）模型来构建。原始ECG信号被用作模型的输入以进行训练和测试。结果表明，该模型能够预测中风的准确率为99.7%。F1评分、准确率和召回率分别为99.69%、99.67%和99.71%。因此，这项研究报告说，与所提出的模型，心电图可以作为一种辅助诊断中风疾病的高效率。1. 介绍1.1. 背景卒中是死亡的第二大主要原因，是死亡和残疾的第三大主要原因，Acharya et al.（2017）。根据2010年的一项研究，有1690万人中风，5.9 100万人死于中风，3300万患者是幸存者，他们一生中至少经历过一次中风（Fekadu等人，2020年）。中风是一种医疗紧急情况，因为它具有较高的死亡率。这就是为什么这种疾病需要医疗保健部门的高度关注。当大脑的一部分的血液供应中断或减少，阻止脑组织获得氧气和营养时，发生中风，这导致脑细胞在几分钟内开始死亡（Subudhi等人，2020; Zhang等人，2013年）。中风可分为两大类缺血性中风和脑出血性中风。缺血性中风（脑梗塞）是由血管中的阻塞引起的，并且脑出血性中风（脑出血）是由脑中的血管破裂引起的（Sengupta等人，2016年）。缺血性中风进一步可分为脑血管血栓形成和脑栓塞两种类型。脑栓塞是一种血液凝块从心脏阻塞负责通过血液向大脑供应氧气的血管，而脑血栓形成是由于动脉硬化或由于血管内壁的问题而在大脑中形成阻塞性血凝块的情况。出血性中风有两种类型，脑内出血和蛛网膜下腔出血。在脑出血的情况下，如果血压突然升高，脆弱的血管会破裂，这会对周围的细胞造成损害。蛛网膜下腔出血可导致脑与周围膜之间的空间（蛛网膜下腔）出血。衰老是中风最重要的独立危险因素，但显然不是一个可改变的因素。在55岁之后的每连续10年因此，老年患者中风的风险显著高（Olindo等人， 2003年）。心脏产生的电脉冲（电压）与时间的关系图称为心电图（ECG或EKG）（Lilly和S，2012）。 心电图是通过将电极贴在患者皮肤上来记录的。心电图是记录心脏电活动的过程（Feather等人，2020年）。附着在患者皮肤上的电极检测在每个心动周期期间由心肌的去极化和复极化产生的小的电变化，即，* 通讯作者。电子邮件地址：kunwarprashant21@gmail.com（P. Kunwar），prakash. curaj.ac.in，pc@nith.ac.in（P.Choudhary）。https://doi.org/10.1016/j.iswa.2022.200165接收日期：2022年5月25日;接收日期：2022年11月20日;接受日期：2022年12月9日2022年12月13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-applicationsP. Kunwar和P. Choudhary智能系统与应用17（2023）2001652心跳ECG由三个主要分量表示，第一个是P波，代表心房的去极化;第二个是QRS波群，代表心室的去极化;第三个是T波，代表心室的复极化（Lilly和S，2012）。众所周知，在许多心脏异常中，这些ECG模式倾向于从正常模式改变，但在中风疾病的情况下也显示出类似的相关性，我们将在后面的章节中看到。正常ECG图如所示图 1.1.2. 相关工作心脏病导致中风的事实是众所周知的很长一段时间。Edwin Byer报道了具有异常ECG模式的中风病例，其指示心脏异常与中风的相关性（Czabanski等人，2020年）。因此，许多研究表明，通过患者的ECG描记可以诊断中风疾病。Qing Zang et.等人开发了一种基于回归的模型来预测患者的中风发作，该模型通过使用患者的一些生理变量和ECG描记来 给 出 90% 的 最 高 精 确 率 （ Zhang 等 人 ， 2013 年 ） 。 KalaivaniRathakrishnan et.等人使用各种机器学习技术对中风患者的ECG进行分类，并发现K最近邻模型优于其他机器学习技术，如随机森林、支持向量机（SVM）、朴素贝叶斯和逻辑回归，其准确度和F-1评分为96.6%（Rathakrishnan等人，2021年）。Pattanapong C.和玛杜·戈亚尔预测中风他们使用生理数据、患者和家庭的病史以及吸烟、饮酒等其他习惯作为模型的输入特征; 该模型的均方误差为0.2596（Chantamit-o-pasGoyal，2017&）。松溪茶利用患者的病史和健康行为数据来预测中风患者的主成分分析（PCA）来提取主要特征，然后用它来训练和测试深度神 经 网 络 ; 它 实 现 了 83.48% 的 准 确 度 （ Cheon 等 人 ， 2019 年 ） 。Sushravya Raghunath et.等人提出了一种具有四个密集层（隐藏层）的深度神经网络来预测心房纤颤相关的中风。他们使用12导联数字ECG描记作为输入数据;模型实现的使用接收者操作曲线的面积和精确召回曲线下的面积分别为0.85和0.22（Raghunath等人，2021年）。Yoon-A Choiet. 研究人员使用从患者身上收集的EEG，并试验了LSTM、双向LSTM、CNN-LSTM和CNN双向LSTM等深度学习模型来预测中风。实验结果表明，CNN双向LSTM模型能够预测Fig. 1. 显 示 正 常 ECG 模 式 及 其 不 同 分 量 的 图 。 图 片 来 源 ： Ashley andNiebauer，2004年。准确率为94.0%，假阳性率（FPR）为6.0%（Choi等人，2021年）。Eric S.等。等人使用了一维CNN模型和加权类别激活映射（GRAD-CAM），通过使用ECG预测卒中，准确率为90%（Ho和Ding，2021）。Yifeng Xie et.等人提出了一种基于CNN的模型，该模型可以以图像的形式进行ECG跟踪，并且可以以85.82%的准确率预测中风。模型的准确性可以通过使用更多的例子来提高，因为在他们的研究中只使用了98个例子（Xie et al.，2021年）。Yan Liu et.等人提出了一种多神经网络，其由VGG-16模型和堆叠在密集连接的神经网络之上的一个基于1维CNN的模型组成。VGG-16模型用于从ECG描记中提取特征，CNN模型用于从各种生理和行为数据中提取特征，然后基于这些特征以98.53%的准确度预测中风（Liu等人，2020年）。Noushin Rabinezhadsadatmahaleh et.等人提出了用于从ECG识别人类生物度量的深度和常规机器学习分类器（NRSE-DCML）的堆叠集合，其实现了99.02的准确度、0.95的FAR和0.95的FRR。1.02（Rabinezhadsadatmahaleh和Khatibi，2020年）。马特奥·博迪尼原子提出了一种用于从12导联ECG信号分类27种心脏异常的集成机器学习方法（Bodini等人，2020年），提出的模型在PhysioNet 2020挑战赛中展示，其中它在组织者私有的数据集上获得了-0.179的分数，它在挑战赛中获得了第40名Mehrdad Javadi et.al. 为了对正常心跳、室性早搏（PVC）和其他异常进行分类，提出了用于ECG分类的堆叠集合模型，其实现了95.26%的准确度（Javadi等人， 2011年）。1.3. 贡献当涉及到健康诊断的准确性是最大的关注点时，预测应该是高度准确的，假阳性率（FPR）和假阴性率（FNR）应该是非常小的，预测模型应该使用尽可能少的输入数据以减少数据收集时间。此外，患者为了克服所有这些挑战，我们提出了一种堆叠集成模型，该模型具有非常高的准确性，并且除了ECG描记之外，它不需要患者的任何个人数据。所提出的堆叠集成模型使用三种不同的基于CNN的模型构建。首先，训练三个基于一维CNN（conv1D）的模型，然后将它们组合并堆叠在元学习者模型上。元学习者模型是一个密集连接的神经网络，它试图以最好的方式组合所有三个基于conv1D的模型的预测。因此，通过仅使用患者的ECG数据，所提出的模型能够准确地预测中风，并且具有非常少的假阳性和假阴性。它解决了数据安全性和准确性问题。在本文的其余部分，第2讨论了数据集和AR-提出的模型的架构。第3节中介绍的性能评估指标和相应的实验结果在第4节中介绍。第5节根据第4节得出的实证结果进行了分析。第六节总结研究。2. 材料和方法2.1. 数据集本研究中使用的数据集是老年中风患者的脑血管调节，这是一个开放获取的公共数据集，发表于2018年10月4日（Novak et al.， 2010年）。该数据库具有在大规模研究中收集的多模型数据，这些研究该研究比较了60名中风患者和60名对照者，收集了以下数据，P. Kunwar和P. Choudhary智能系统与应用17（2023）2001653每名患者在多天内：脑动脉的经颅多普勒、24小时血压数值、各种运动任务期间的高分辨率波形（ECG、血压、CO2和呼吸）、24小时ECG、EMG和加速计记录以及步行测试期间的步态压力记录。数据库中还提供了与患者病史和日常习惯（如饮酒和吸烟等）相关的其他患者历史数据。然而，本研究使用了71例受试者（其中35例为卒中受试者，36例为对照受试者）的121个ECG描记图，未使用其他生理数据或患者病史数据。其他受试者的数据不完整，未使用。在本研究中，以500 Hz采集ECG描记10-12分钟，并将其分成较小的窗口。2.2. 实验设计2.2.1. 拟议模式本文提出的神经网络模型使用堆叠集成模型的概念，其中三个不同的子模型被组合并堆叠在密集神经网络（Meta学习器）的顶部。所有子模型都是使用Conv1D和密集层构建的。 这些子模型的输出成为元学习器模型的输入，元学习器模型以最佳方式组合各个模型的结果并预测中风的发生概率。该模型和整个培训过程将在后面的章节中详细解释。 整个网络结构系统如图所示。 2.2.2.2. 子模型的架构每个子模型使用一维卷积神经网络模型构建，以从不同受试者的ECG描记中提取特征。每个子模型由包含32、64和128个神经元的三层一维卷积层组成，每个子模型在后续层的滤波器大小为16、32和64，ReLU用作激活函数;还使用了三个最大池化层和三个dropout层。一个平整层被用来平整所有提取的特征，然后送入密集连接的层。使用包含128、256和1个神经元的三个完全连接的层，并且除了使用S形激活函数的输出层之外，Relu用作激活函数。表1给出了关于子模型训练表1子模型架构的详细信息参数子模型1子模型2子模型3投入规模（2000，1）（2000，1）（2000，1）CNN层数3 2 3过滤器尺寸（16，32，64）（16，32，64）（16，32，64）脱落层数量池层数量密集层数量号神经元/层（128，256，1）（128，128，1）（128，256，1）图2. 所提出的堆叠集成模型的体系结构：三个子模型成为0级，堆叠模型的上半部分，模型的下半部分称为元学习者，元学习者由三个密集层（1级）组成。该模型有三个输入头，从所有三个通道中获取相同的输入，子模型处理输入，然后将概率发送给元学习器，元学习器将生成最终预测。P. Kunwar和P. Choudhary智能系统与应用17（2023）2001654====2.2.3. 叠加系综模型与叠加系综技术包围学习结合了多个独立的模型，以获得更好的泛化性能。目前，与浅层或传统分类模型相比，具有多层处理架构的深度学习模型表现出更好的性能。深度集成学习模型结合了深度学习模型和集成学习两者的优点，使得最终模型具有更好的泛化性能（Ganaie等人， 2021年）。基于集成学习如何组合子模型的预测，集成学习有一些变体。首先，模型平均集合组合来自多个训练模型的预测，但是该方法具有每个子模型对集合预测贡献相同量的限制，而不管该单独的子模型执行得多好。第二，这种方法的一种变体被称为加权平均系综。它通过模型在测试数据集的一部分上的预期性能来衡量每个子模型的贡献。这确保了表现良好的子模型贡献更多，表现不佳的子模型贡献更少。G. 线性回归）模型，用于将任何深度学习算法的子模型。这种方法称为堆叠泛化。在这种堆叠方法中，算法将子模型的输出作为输入，并尝试学习如何最好地组合输入预测以做出更好的输出预测。在这项研究中，使用了一个堆叠的泛化集成，其中三个基于CNN2.2.5. 层叠集成模型在成功训练和测试子模型之后，堆叠集成模型已经在holdout数据集上训练，这与之前使用的训练数据集不同，这样做是为了避免过拟合。这一次，子模型的权重已经变得不可训练，只有堆叠的集成模型的权重已经被训练。训练过程中的各种参数见表2。3. 业绩评价指标任何深度学习模型的有效性都取决于它给出准确结果的能力。为了评估所提出的模型的性能，使用各种性能评估指标如下。1. 准确性：准确性显示了所提出的模型正确分类未知数据实例的频率。精度TP+TN（1）TP+TN+FP+FN2. 特异性：特异性是模型正确确定每个类别的真阴性的能力的度量。模型被用作子模型，密集神经网络被用作元学习者，该元学习者从所有三个子模型获取输入，并试图将它们的预测组合起来，以便优于所有的专属性TNTN+FP（二）如果单独使用。2.2.4. 子模型的训练和测试（0级）3. 精确度：精确度是指正预测的比例实际上是属于正类的。本研究中的培训和测试分两个独立阶段进行。在第一阶段中，子模型已经被训练和评估，并且在第二阶段中，整个堆叠集合模型已经被精密TPTP+FP（三）在单独的数据集上进行训练，以避免过度拟合和评估。如前所述，本研究使用了来自71个不同受试者的121个描记。追踪时间为10到12分钟，4. 回忆：回忆显示了在所有可能做出的积极预测中，正确的积极预测所分解成更小的窗口（4秒），以减少模型的输入大小其他长度的ECG描记，如1秒、2秒和3秒等。已经尝试过，但结果表明，子模型在4秒长的ECG描记中表现最好这样，所有的痕迹在较小的窗口中被打破，召回TPTP+FN5. F1-score：精确度和召回率的调和平均值（四）近18,000例。然后将标记数据集分为四个部分：训练数据集（60%），验证数据集（15%），测试数据集（15%）和保留数据集（10%）。为了确保子模型的权重在训练过程中收敛，F1-评分=2、精确度和召回率（5）精确度+召回率正常化。训练期间的各种参数在表2中给出。在训练数据集上训练所有子模型之后，所有三个子模型都使用在另一节中提到的各种性能评估指标表2关于模型训练的详细信息参数子模型叠加集合模型号10600 - 1766号20 15批量32 32优化器Adam Adam学习率在上面给出的等式中，TP、TN、FP和FN表示True分别为阳性、真阴性、假阳性和假阴性。真阳性和真阴性代表受试者是否患有中风疾病的正确预测。然而，假阳性和假阴性决定了所提出的模型做出的错误预测的数量。4. 结果在本节中，我们将讨论所进行的实验的结果。首先，所有三个子模型分别在60%和15%的数据集上进行训练和测试，然后在10%和15%的数据集上训练和测试堆叠集成模型，以预测给定受试者的中风总参数（4113825），（2221921），（4064929）10400868可训练参数所有1934.1.1. 训练子模型我们的子模型在60%的数据集上进行了训练，验证和测试P. Kunwar和P. Choudhary智能系统与应用17（2023）2001655分别在15%和15%的数据集上。使用的优化器是Adam，学习率为0.001，使用二进制交叉熵损失函数。然后，子模型成功训练了15个epoch。 表3中给出了训练阶段完成后子模型的训练和验证准确度。各子模型的准确率和损失率曲线如图1和图2所示。 三比五4.1.2. 堆叠集成模型的训练结果堆叠集成模型在保持数据集（10%）上进行训练，以训练元学习者神经网络，以便它可以以最佳方式组合子模型做出的预测。使用的优化器是Adam的学习率为0.001，并使用二进制交叉熵损失函数。然后，一个堆叠的集成模型被成功地训练了15个时期。训练准确度和验证准确度等指标如表3所示。 叠加系综模型的精度和损失率曲线如图所示。第六章4.1.3. 测试子模型包含2650个样本的测试数据集用于评估子模型。子模型评估的指标值（精确度、召回率、准确度和f1分数）如表4所示。精确率、召回率和f1分数通过公式（1）-（5）获得。现在，这三个模型将成为堆叠模型的基础模型，更准确的预测这些子模型将使整个堆叠模型变得更准确。4.1.4. 堆叠集合模型的测试结果堆叠集成模型已经在测试数据集的2650个样本上进行了测试，并且能够以99.70%的准确率将样本分类为中风和正常（或对照）组表4中列出了各种性能评价指标。该模型具有预测中风的能力，准确率和召回率分别为0.996737和0.99712。描述真阳性、真阴性、假阳性和假阴性的混淆矩阵如图7所示。这些指标还表明，集成模型很容易优于所有的子模型。该方法可以接受单个患者的心电图描记，并能准确预测中风发生的概率，可以作为中风前的警告，这将有助于医生采取适当的预防措施。5. 讨论在这项研究中，该模型仅使用ECG数据，并且基于这些描记，它能够以99.7%的准确率预测中风。此外，在这项研究中没有使用噪声去除技术，这意味着所提出的模型采用原始ECG读数，这表明所提出的模型的鲁棒性。因此，它也可以得出结论，所提出的模型的子模型可以提取的特征，甚至从嘈杂的ECG跳动。因此，我们可能能够准确地分类与我们提出的模型的新的嘈杂的ECG跳动 堆叠系综模型先前已用于预测COVID-19后并发症的研究中，并且已发现非常有用（Gupta等人，2021年）。研究人员使用ECG预测卒中的各种研究的总结表3模型的训练效果评价指标度量子模型子模型子模型堆叠包围123模型培训九十九点四五百分之九十八点四七百分之九十九点四六99.89训练损失验证准确性验证损失培训时间图3. 子模型1，训练准确率和损失进度。的时代。图第四章子模型2，训练准确率和损失进度。的时代。图5. 子模型3，训练准确率和损失进度。的时代。数据在表5中给出。然而，除了ECG之外，一些研究还使用了各种生理和病史数据（Liu等人，2020; Zhang等人，2013年）。该模型仅使用ECG信号数据就表现出更好的性能。总体模型容易优于单个CNN子模型的事实可以是0.01070.02110.01440.0077九十九点二三0.9913%九十九点二一99.780.02060.03480.02630.0083465秒425秒420秒50秒P. Kunwar和P. Choudhary智能系统与应用17（2023）2001656表5比较分析所提出的方法与现有的类似工作中风预测使用心电图。作者，年份分类器性能KalaivaniRathakrishnan et.al.2020（Rathakrishnan例如，（2021年）心电图K近邻（KNN）准确度：96.6%，精密度：94.3%Yifeng Xie et.等人2020（Xie等人，（2021年）ECG CNN准确度：85.82%Eric S.等。al. 2021（Ho和Ding，2021）ECG CNN与连续加权类激活映射准确度：90%，AUROC：0.95见图6。 对于所提出的模型，训练精度和损失进度没有。提出的模型ECG堆叠集成方法，CNN准确度：99.70%，F1-得分：99.69%，精密度：99.67%，召回率：99.71%的时代。表4模型的测试结果评价指标精度图7. 在测试所提出的堆叠集成模型之后的混淆矩阵，其中中风类代表患有中风疾病的受试者，并且对照类代表正常患者，该模型在2650个示例中仅8个示例失败。通过比较表4的结果观察。本研究也有一些局限性，为进一步研究开辟了新的维度。本研究中使用的数据仅收集自71名患者。如果我们能够大规模地训练和测试该模型，那么该模型的有效性将会提高。此外，本研究未考虑患者的地理位置和遗传方面，更多样化的数据将确保高度概括的模型。本研究未考虑持续用药（如抗心律失常药物）对患者的影响，以及在数据收集期间是否会改变ECG信号。本研究中使用的数据集来自这就是为什么我们通过将ECG描记分裂成较小的片段来增加数据样本的原因，这可能会导致模型性能的高估，这为我们提供了进一步研究和验证所提出模型性能的范围。该模型需要在更大的心电数据集上进行进一步的测试，以验证其有效性。6. 结论总之，本研究分析了患者ECG中是否存在卒中体征。因此，所提出的模型变得能够诊断 利用患者的心电图描记来诊断中风疾病。此外，本研究尝试仅使用ECG对卒中患者进行分类，准确率高达99.7%。这将节省收集和维护其他生理数据（如血压、氧含量、心率等）所花费的时间和成本，医疗史，和日常习惯，如消费酒精，烟草的使用等。我们的研究结果表明，堆叠集成技术似乎是有用的，在建立自动诊断模型，在现实世界中使用的医疗从业者。我们提出的模型可以应用于更大的数据集，在未来的研究中，在更大的数据集上，我们将能够观察到堆叠多个模型如何通过显着的准确性实现比单独模型更好的性能。我们所提出的模型可以帮助诊断中风患者的心电图CRediT作者贡献声明Prashant Kunwar：概念化，方法论，软件，验证，资源，数据管理，写作-Prakash Choudhary：形式分析，调查，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数据将应要求提供引用阿查里亚湾R.，Fujita，H.，Lih，O. S.，Hagiwara，Y.，Tan，J.H.，&Adam，M.（2017年）。 深度卷积神经网络在心电图心肌梗死自动检测中的应用。Information Sciences，415，190-198.度量子模型1子模型2子模型3堆叠包围模型测试百分之九十九点四七百分之九十八点七二百分之九十九点三二99.70测试损失0.0230.03890.02340.0130F1得分0.994620.986950.993100.99693精度0.994430.986670.992390.996737召回0.994820.987240.993880.99712P. Kunwar和P. Choudhary智能系统与应用17（2023）2001657Ashley，E. 一、Niebauer&，J. （2004年）。心律不齐心脏科解释说。 Remedica.Bodini，M.，里沃尔塔湾W.，&萨西河（2020年）。集成机器学习方法对12导联ECG的分类。2020 Computing in Cardiology（心脏病学计算）1-4）。 IEEE。Chantamit-o-pas，P.，Goyal，M.（2017年）。使用深度学习模型预测中风神经信息处理国际会议（International Conference on Neural Information Processing）774-781）。斯普林格Cheon，S.，金，J.，&Lim，J.（2019）.使用深度学习预测中风患者死亡率。 国际环境研究与公共卫生杂志，16（11），1876年。Choi，Y.一、Park，S.J.，Jun，J.-一、表角S.，周，K.-H、Lee，H.-S.，Yu，J.-H.（2021年）。使用实时生物信号的基于深度学习的中风疾病预测系统。Sensors，21（13），4269.查班斯基河Horoba，K.，Wrobel，J.，Matonia，A.，马丁内克河，Kupka，T.，Jezewski，M.，卡汉科娃河，Jezewski，J.，&Leski，J.M.（2020年）。使用支持向量机检测长期心律信号中的心房颤动发作。Sensors，20（3），765.Feather，A.，兰德尔，D.，&沃特豪斯，M。（2020年）。库马尔和克拉克的临床医学电子书。爱思唯尔健康科学。Fekadu，G.，Adola，B.，Mosisa，G.，Shibiru，T.，&切尔凯巴湖（2020年）。埃塞俄比亚西部nekemte转诊医院住院的中风患者的临床特征和治疗结果。临床神经科学杂志，71，170-176。Ganaie，M.，Hu，M.，等人（2021年）。Encourage Deep Learning：A Review.arXiv预印本arXiv：2104.02395。古普塔，A.，Jain，V.，&辛格A.（2021年）。基于堆栈集成的智能机器学习模型用于预测新冠肺炎后并发症。新一代计算机，1-21。Ho，E. S.，&叮，Z。（2021年）。采用梯度加权类激活映射一维卷积神经网络模型分析老年脑卒中后心电图。 medRxiv.Javadi ， M. ， Ebrahimpour河 ， Sajedin ， A. ， Faridi， S. ， &Zakernejad， S.（ 2011年）。使用神经网络模块的集成提高ECG分类准确性。PloS one，6（10），e24386.Lilly，&S，L.（2012年）。心脏病的病理生理学：医学生与教职员的合作计画。利平科特·威廉姆斯&·威尔金斯。Liu，Y.，Yin，B.，Cong，Y.（2020年）。多神经网络模型预测缺血性脑卒中的概率。Sensors，20（17），4995.Novak，V.，Hu，K.，Desrochers湖，Novak，P.，卡普兰湖，利普西茨湖&Selim，M.（2010年）。慢性缺血性脑梗死患者日常活动中的脑血流速度依赖于血压。中风;脑循环杂志，41（1），61-66。Olindo ， S. ， Cabre ， P. ， 德 尚 河 ， Chatot-Henry ， C. ， Rene-Corail ， P. ，Fournerie，P.，.Smadja，F. M. D. （2003年）。高龄老年人急性卒中：法属西印度群岛马提尼克岛的流行病学特征、卒中亚型、治疗和预后中风;脑循环杂志，34（7），1593Rabinezhadsadatmahaleh，N.，&Khatibi，T.（2020年）。一种新的深度和传统机器学习分类器（NRSE-DCML）的噪声鲁棒堆叠集成，用于从心电图信号中识别人体生物特征。医学信息学解锁，21，100469。Raghunath，S.，Pfeifer，J.M.，Ulloa-Cerna，A. E、Nemani，A.，Carbonati，T.，Jing，L.，vanMaanen，D. P.，Hartzel，D. N.，Ruhl，J. A.，拉格曼湾F.、等（2021年）。深度神经网络可以从12导联心电图预测新发房颤，并帮助识别房颤相关中风的风险。Circulation，143（13），1287-1298.Rathakrishnan，K.，Min，S.- N.，&帕克，S。J.（2021年）。采用诊断方法对卒中后幸存者进行分类的ECG特征评价。Applied Sciences，11（1），192.Sengupta，A.，Rajan，V.，Bhattacharya，S.，&Sarma，G.（2016年）。中风预后预测和治疗计划的统计模型。2016年第38届IEEE医学和生物学工程学会（EMBC）年度国际会议（pp.2516-2519）。 IEEE。Subudhi，A.，Dash，M.，&Sabut，S.（2020年）。使用期望最大化和随机森林分类器对脑卒中进行自动分割和分类。Biocybernetics and Biomedical Engineering，40（1），277Xie，Y.，杨，H.，Yuan，X.，他，Q，Zhang，R.，Zhu，Q.，… （2021年）。通过深度神经网络从心电图预测中风。Multimedia Tools andApplications，80（11），17291-17297.Zhang，Q.，杨，X.，彭杰，Y.，&Chaoyi，P.（2013）.根据生理时间序列模式预测急性缺血性卒中。 澳大利亚医学杂志，6（5），280。