基于递归网络的充血性心力衰竭波形分类研究

医学信息学解锁21（2020）100441基于递归网络短时间步长分析的充血性心力衰竭波形分类Annisa Darmawahyuni，Siti Nurmaini*，Meiryka Yuwandini，Muhammad Naufal Rachmatullah，Firdaus Firdaus，Bambang Tutuko智能系统研究组，Sriwijaya大学计算机科学学院，巨港，30139，印度尼西亚A R T I C L EI N FO保留字：充血性心力衰竭正常窦性心律循环神经网络长短时记忆A B S T R A C T充血性心力衰竭（CHF）的特征是心脏无法在不增加心内压的情况下将血液充分泵送到全身。各种方法用于治疗CHF。这些方法包括体格检查、超声心动图和实验室检查，需要高度的能力来解释结果和做出诊断。此外，现有的方法不考虑变量之间的关系，因此提供有限的性能。心电图（ECG）作为一种非侵入性检查，可用于CHF的早期诊断，这将需要进一步的检查，以提交。先前的研究揭示了心力衰竭（HF）和ECG特征之间的显著相关性。然而，该方法仅在小的平衡数据上执行;然后，特征必须从试验和错误中获得。本文提出了深度学习技术-具有长短期记忆（LSTM）架构的递归神经网络（RNN）-来创建一种诊断算法，该算法可以在有限的信息和自动特征提取的情况下实现高精度。本研究中使用的ECG信号来自公共PhysioNet数据库。我们微调了24个LSTM模型的超参数，以获得最佳模型。此外，ECG信号分割之间的前5分钟和15分钟的功能进行了比较。在24个LSTM模型中，具有前15分钟ECG信号的模型（模型1）获得了最高的准确度、灵敏度、特异性、精确度和F1评分（分别为99.86%、99.85%、99.85%、99.87%和99.86%）。ECG信号的前15分钟表现良好，因为LSTM模型学习了越来越多的特征。总之，所提出的LSTM模型可以为临床医生提供初步的CHF诊断，以供进一步的医疗护理。深度学习可以成为一种有用的预测方法，用于增加CHF患者的数量1. 介绍充血性心力衰竭（CHF）是一种慢性疾病，其中心脏无法充分维持血液循环。CHF是一种全球性流行病，影响约2600万人[1]。CHF在亚洲也是一个重要的健康问题，其患病率（6.7%）远高于西方国家[2]。CHF的诊断是一项具有挑战性的任务，因为它受到射血分数降 低 （ HFrEF ） 、 射 血 分 数 保 留 （ HFpEF ） 和 中 等 射 血 分 数（HFmrEF）的影响。在正常的心脏中，有良好的每搏输出量（每次心跳喷射的血流量），并且富含氧的血液从左心室泵入体内。在CHF中，每搏量减少，并且心脏不能有效地将富含氧的血液泵送到心脏的其余部分body [3].纽约心脏协会（NYHA）将CHF分为四类。仅在3级和4级患者中存在显著症状，即体力活动不足的患者分别出现心力衰竭或休息时的体征[4]。有几种方法可用于诊断CHF患者，例如胸部X线检查、核成像、磁共振成像（MRI）、侵入性血管造影和超声心动图[5]。超声心动图是最常用的检查;它使用超声测量每搏量、舒张末期容积以及这些量的比值（射血分数）[6]。然而，它可能是耗时和昂贵的[5，7]，并且高度依赖于操作员[5]。 检测CHF的另一种方法是使用心电图（ECG）[5]。心电图价格低廉，可广泛使用，并且可以是最有用的仪器，* 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：riset. gmail.com（A.Darmawahyuni），siti_nurmaini@unsri.ac.id，sitinurmaini@gmail.com（S。Nurmaini），gmail.com（M.Yuwandini），naufalrachmatullah@gmail.com（Muhammad Naufal Rachmatullah），virdauz@gmail.com（F. Firdaus），bambangtutuko60@gmail.com（B.Tutuko）。https://doi.org/10.1016/j.imu.2020.100441接收日期：2020年7月27日;接收日期：2020年9月29日;接受日期：2020年9月30日2020年10月7日网上发售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/imuA. Darmawahyuni等人医学信息学解锁21（2020）1004412CHF患者的诊断和预后。然而，专家对ECG信号的手动检查是复杂的，并且受到观察者内和观察者间变异性的影响[8]。解读ECG信号的微小变化是困难的，因为它们的幅度是以毫伏为单位测量的[5]。为了克服这些问题，需要一个设计良好的基于心电信号的CHF计算机辅助检测（CAD）系统。以前，CAD与机器学习（ML）算法使用ECG信号进行CHF诊断和定量评估，以做出明智的决策。Melilo等人[9]首先尝试使用长期心率变异性（HRV）测量确定CHF疾病的严重程度。他们开发了分类和回归树（CART）作为分类器，并实现了93.3%的灵敏度和63.6%的特异性。 在某些情况下，静态HRV测量可能无法完全量化CHF患者在不同日常活动期间自主活动的趋势变化因此，Orhan等人[11]首次应用等幅等宽（EFiA-EWiT）方法区分ECG信号中的CHF和正常窦性心律（NSR）模式。他们使用原始和快速线性回归预测方法提取最具代表性的特征。该方法的准确性、敏感性和特异性分别为100%、99.36%和99.30%。Masetic等人[12]提出了C4.5决策树方法，用于创建在长期ECG时间序列中检测和分离正常心脏和CHF的模型。该方法的灵敏度和特异性均为100% ， 准 确 度 为 99.20% 。 Kamath 等 人 [13] 采 用 去 趋 势 波 动 分 析（DFA）方法计算正常心脏和CHF短期（20 s）ECG段。该方法的平均灵敏度和特异性分别为98.4%和98%Vidya等人[14]亲-提出了一种双树复变换小波（DTCWT），从标准ECG信号中检测CHF。他们对两秒的ECG段进行DTCWT，直到SIX水平，以获得系数。使用45个特征的ECG信号，所提出的方法实现的准确性，灵敏度和特异性分别为99.86%，99.78%和99.94%。Isler等人[15]使用基于三阶段分类器的短期HRV分析对CHF进行分类，即k-最近邻（KNN）、线性判别分析（LDA）、多层感知器（MLP）、SVM和径向基函数人工神经元网络（RBF ANN）。他们使用短期（5分钟）和长期（24小时）HRV数据进行分析。5分钟HRV数据的准确性、灵敏度和特异性分别为98.8%、100%和98.1%。因此，可以进行短波形分类，而不是检查CHF的长期趋势。根据这些先前的研究，CHF的短波形可以是而不是看长波。所提出的方法，如支持向量机，取得了可喜的CHF分类结果。由于其可逆性，SVM在小数据池（没有过拟合）的情况下表现良好，并且其核函数可以很好地捕获特征中的非线性。然而，只有小而平衡的数据在ML技术中表现良好。实际上，正常数据的存在更多地导致了数据不平衡。此外，ML需要手工制作的特征;也就是说，这些特征必须从试验和错误中获得，以实现最佳的分类精度。为了有用和准确的分类，有必要确定哪些视觉特征最好地表示用于提取的ECG信号。因此，ECG信号的自动特征提取分类应进一步研究。深度学习（DL）算法已经被探索以克服上述问题。DL是一种ML方法，其中网络基于ECG输入信号自动学习并拾取不同的特征[16，17]。递归神经网络（RNN）是DL的一种形式，已广泛用于语音识别[18]和DNA测序[19]，并且在医学领域受到了大量关注[20]。最近，研究人员使用RNN模型来开发用于诊断各种医疗状况的CAD系统[21RNN是一种神经网络，其中前一步的输出作为输入馈送到当前步骤RNN架构由长短期记忆（LSTM）和门控递归单元（GRU）。然而，在某些情况下，LSTM的表现优于GRU [23]。一个LSTM单元由一个单元、一个输入门、一个输出门和一个遗忘门组成，使单元能够在未指定的时间段内保存值。这些门跟踪进出LSTM单元的信息流[23，24]。已经研究了用于CHF分类的某些DL算法，例如卷积神经网络（CNN）[3]和稀疏自编码器（SAE）[25]。然而，当应用于ECG时，CNN有时会削减固定长度的窗口大小，从而降低分类性能[26]。尽管如此，对于此类SAE，间期在CHF检测中具有潜力，但不能完全反映24小时内的动态变化[25]。RNN可以解决顺序预测的这一缺点，直接对时间流进行建模因此，需要使用具有LSTM架构的RNN对短期ECG信号进行准确的自动分类。本文提出了一种用于CHF的具有LSTM架构的RNN，NSR分类。众所周知的PhysioNet数据库用于基于短波形的分类，即ECG信号的前五分钟和十五分钟。这两个时间是比较和就业 作为分类器的特征，而不考虑静态或动态HRV。此外，还对24个LSTM模型进行了微调，以获得最佳的模型性能，如准确性、灵敏度、特异性、精确度和F1分数所示。因此，需要详细研究通过DL设计和开发用于CHF和NSR分类的自动化算法。本文的贡献和创新之处如下。我们生成了一个DL模型，具有短的ECG波形，用于自动长期CHF。我们提出了一个具有LSTM架构和特定时间特征的RNN。我们使用一到四秒来评估所提出的模型，以确定CHF分类的最佳效率的窗口大小。2. 材料和方法本文提出了一种ECG信号处理方法，该方法直接从贝斯以色列女执事医疗中心充血性心力衰竭（BIDMC CHF）和MIT-BIH正常窦性心律（MIT-BIH NSR）数据库中定义和学习特征表示。ECG信号处理包括数据准备和预处理：（i）使用离散小波变换（DWT）去除ECG噪声;（ii）基于信号的前5分钟和15分钟的(iii)ECG信号归一化，以及基于RNN和LSTM架构的分类最后，使用准确度、灵敏度、特异性、精密度和F1评分评估模型性能（图11）。①的人。2.1. ECG信号数据集ECG信号原始数据来自BIDMC CHF和MIT-BIH NSR数据库。BIDMCCHF（NYHA 3-4级）数据库由15例受试者的两个ECG信号的长期ECG记录组成，每个ECG信号持续约20小时。NSR数据库包括10个ECG记录，这些记录被提交给心律失常实验室，发现没有显著的心律失常。两个数据库都有250 Hz的频率采样。CHF和NSR的ECG样本记录见图。二、2.2. 噪声去除在采集过程中，由于不同形式的物体和干扰（如肌肉收缩、基线漂移、电极接触噪声和电源线干扰），ECG信号受到污染[27在初始处理中，必须消除各种噪声和伪影，以改善心电信号。ECG预处理是一项重要的任务，用于去除噪声，以便可以轻松解释心脏状况中的异常。小波变换被广泛用于分析···A. Darmawahyuni等人医学信息学解锁21（2020）1004413（[]）（[]）（）下一页∑（）（）（）我nr2（n）Fig. 1. 心电信号处理中CHF分类过程的工作流程。图二、 BIDMC CHF和MIT-BIH NSR数据库的ECG样本记录。非平稳信号，即ECG信号去噪[30，31]。DWT通过使信号通过一系列低通g n和高通滤波器h n来实现，其中x n是长度为n的离散输入信号。小波变换用于分析不同分辨率级别的信号;分解层数由小波系数决定，以进行一系列信号处理[32]。评价了去噪性能使用信噪比（SNR或S/N）。SNR给出关于信号质量的输入SNR（SNRi）定义为，和symlets，可用于ECG信号去噪[34]。本研究应用symlet小波sym5，因为它擅长表示噪声ECG信号（图3（a））。图3给出了小波去噪算法，该算法假设其他信号与平均噪声值有关。因此，通过去除不重要的噪声相关系数，可以在不丢失数据的情况下恢复信号（图1）。 3（b））。在这项研究中，我们获得了每个记录的信噪比值的BIDMCHF和NSR数据库（表1）。 表1给出了SNR=10log[∑nx2（n）]（1）BIDMC和NSR数据库的sym5正如我们在表中看到的，BIDMC和NSR的平均SNR值为0.0002710.001663和输出信噪比（SNR0）由以下等式给出：分贝（dB）。比率大于0dB或高于1：1这表明信号比噪声多。 对于BIDMC HF和SNR10log[Σ X2.n）的（2）NSR数据库中，分别有9条和7条记录，n d10nxd n）-x（n））2其中x n是原始信号，r n是添加的噪声信号，并且xd n是去噪信号。小波去噪算法主要包括三个步骤：小波分解、系数处理和小波重构[33]。常见的小波族，如Daubechies，双正交，coiflets，SNR值大于0。因此，sym5可以很好地处理心电信号噪声。2.3. 心电信号分割对于本研究中的ECG信号，使用BIDMC CHF的前五分钟和十五分钟记录作为特征，因为数据集具有10o=A. Darmawahyuni等人医学信息学解锁21（2020）1004414（）下一页（）下一页∈=-不第二章（五）k=1C表1图三. BIDMC CHF数据库中CHF分类的ECG噪声去除处理示例。mid=ub-ub-lb（六）BIDMC HF和NSR数据库的SNR值记录SNR（sym5）BIDMC NSR电话：+86-040526-00311620.001411 0.0008350.002295 - 0.006769 - 0.0022950.001104 0.0004860.002702 0.001657电话：+86-000363-0013000.000191-0.0068830.000303 0.0019650.001464 0.00033810 0.001843 0.00101511 0.01693412 0.00149013 - 0.00265614 0.00025615 0.005998平均值：0.001663<$0.000271长记录。ECG信号被逐节律分段，从1秒到4秒（图4）。对于NSR，由于数据的长度与BIDMC CHF数据库的长度不同，因此执行补零过程。其功能用于增加信号长度，这是通过将最大信号长度视为具有零值（0）的参考而缺乏的。在ECG信号分割之后，归一化用于在具有归一化界限的较小范围内缩放属性的数据。在处理不同尺度的特征时，这是必需的。因此，ECG信号被归一化以使所有属性处于相同的尺度上。 归一化界限将信号幅度的下限Ib和上限ub的值改变到期望范围，而不改变信号本身的模式或形状。在这项研究中，数据采集的预处理与下限为0和上限为1，分别。具有归一化界限的归一化的数学函数如下：f（x）=x*coef- （xmid *coef）+mid（3）22.4. 递归神经网络RNN是一种人工神经网络，通常用于识别序列数据的特征[23，24]。RNN作为DL架构的一部分，这是由于计算特征的自动过程而不确定一些适当的特征。RNN使用模式来预测下一个可能的场景;它的层使用for循环来遍历序列的时间步[35]。RNN遇到了由其迭代性质引起的问题;它的梯度基本上等于递归权重矩阵X的高次幂[23，24]。RNN的架构由LSTM和GRU组成，它们被实现来解决具有门控机制的梯度问题，该机制控制如何保留或丢弃内部状态。其中，LSTM架构已经被提出，因为它在我们以前的研究中取得了优异的性能[23，24]。LSTM是由Hochreiter和Schmidhuber [36]提出的在我们在之前的工作[23]中，LSTM通过传递梯度来捕获具有输入或遗忘门的扩展上下文，并显示出出色的结果。LSTM中的每个节点都是一个单元，包括输入门、遗忘门和输出门。标准RNN的常见问题是由迭代行为引起的;它们的梯度显著等于提升到高幂的递归权重矩阵梯度以时间步长数的指数速率增加或减少通过控制内部状态如何保留或丢弃的门控机制，LSTM克服了梯度问题[23]。从数学上讲，LSTM可以写成如下形式：ct=σ。WfIt）ct-1+σ（WiIt）tanh（WinIt）（ 7）ht=σ（WoIt）tanh（ct）（ 8）其中σ是S形函数，ct∈RN是列向量，It∈R（M+N）是当前输入Xt∈RM和先前输出的级联h t1R N.在假设co0的情况下，LSTM的隐藏状态向量可以由下式导出：哪里C∑[tσ。W I）]σWI西晋（九）coef（ub-lb）（4）t=k=1j=k+1f j（（ik）（k）=x最大值-x最小值LSTM中输出RNN和门控机制的比较xmid是输入信号的中点：x最大-x最小由下式给出：h t= tanh（∑tW t-kW in X k）（10）xmid=xmax-A. Darmawahyuni等人医学信息学解锁21（2020）1004415t=o tF JI k在kxmax是输入信号的峰值点，xmin是输入信号的低点输入信号，mid是指定限值的中点hσ（WI）tanh（∑t[2007年12月21日]σ。（W I）]σ（W I）tanh（W I））（11）k=1j=k+1A. Darmawahyuni等人医学信息学解锁21（2020）1004416×（++）图四、 ECG信号分割采样从1秒 到4秒。其中，Wi、Wf、Wo、Win分别是输入门、遗忘门、输出门和输入的权重矩阵。LSTM中的总参数等于4n2 其中n维被假定为单元状态，m维是输入信号。3. 结果和讨论对训练集和测试集的数据进行分组和重新采样，即80%用于训练集，其余用于测试集。在在一个新的模型中，LSTM输入层必须有三个维度，即样本、时间步和特征。这里，我们使用BIDMC CHF的前5分钟和15分钟;对于NSR数据库，我们添加零填充。对于250 Hz的频率采样，1秒等于250个节点。因此，前5分钟和15分钟分别等于75，000和225，000个节点。从这两个节点，我们使用1到4秒的分段作为时间步长为1秒的特征。24个模型的超参数被微调以生成LSTM模型（表2）。表2显示了24个LSTM的所有超参数表224个LSTM模型的超参数调整。模型数据分割隐藏层节点输入层节点隐藏层时间步历元115分钟1秒1250100113925分钟12501001172315分钟2秒1500100111045分钟15001001120515分钟3秒1750100115065分钟17501001311715分钟4秒11000100117485分钟110001001166915分钟1秒225050191105分钟22505011391115分钟2秒2500501138125分钟2500501721315分钟3秒2750501123145分钟2750501891515分钟4秒21000501151165分钟21000501771715分钟1秒325025185185分钟3250251991915分钟2秒350025180205分钟35002511062115分钟3秒375025191225分钟3750251902315分钟4秒3100025189245分钟3100025188A. Darmawahyuni等人医学信息学解锁21（2020）1004417==模型，即8作为批量大小，Adam作为优化器（学习率 0.001），和二进制交叉熵作为损失函数。此外，委员会认为， 所有模型都用不同的隐藏层和节点进行微调。对于epoch，我们使用早期停止来获得最佳迭代结果。表2给出了不同的时期，其中最小和最大时期分别为72（模型12）和311（模型6）。表2还列出了ECG信号前5分钟和前15分钟的24个LSTM模型。对于LSTM的所有隐藏层，使用输入层的250、500、750和1000个节点。我们将隐藏层的总节点从1减少到3，分别为100，50和25。表3列出了24个LSTM模型的结果。该表显示，分段信号越高，LSTM的一个隐藏层（模型1-8）获得的结果的准确性就越低。例如，对于前5分钟和前15分钟，1秒内的准确率分别为99.86%和99.66%在两三秒内，准确率分别为99.68%和99.06%，99.66%和98.20%。然而，在4秒内，对于ECG信号的前十五分钟和前五分钟，准确度下降-仅为99.28%和96.26%。对于两个隐藏层，1秒内前15分钟的准确率从99.86%下降到99.84%。然后，在三个隐藏层中观察到额外的减少，其中准确度仅为99.80%。它也适用于其他指标测量，即灵敏度，特异性，精密度和F1评分。因此，添加隐藏层不会改善结果。然后，我们比较了前5分钟和前15分钟的ECG信号;前15分钟的准确性、灵敏度、特异性、精确度和F1评分高于前5分钟。这是因为LSTM模型学习了额外的特征。在24个LSTM模型中，模型1覆盖了前15分钟，性能最好;它具有最高的准确性、灵敏度、特异性、精确度和F1得分，分别为99.86%、99.85%、99.85%、99.87%和99.86%。因此，我们建议模型1作为CHF和正常心脏ECG信号分类的最佳模型。从表3中的结果，可以看出，模型1、3、5、9、17的F1评分值均在99.60%以上。在这项研究中，给出了准确度和损失曲线，以验证五个最佳LSTM模型（图5）。图5（a）-（j）显示，随着历元的增加，训练数据（红线）和测试数据（蓝线）的误差减少，准确度增加。所有曲线均显示为拟合良好的模型。测试准确度和损失图表324个LSTM模型超参数调整的结果。模型性能评价（%）朝向稳定点显示训练准确度和损失之间的小差距。所有五个最好的LSTM模型都在15分钟的ECG信号中显示出CHF分类的良好结果。然而，模型1的性能优于其他模型。如图5（a）所示，初始时期的准确度高于93%，然后增加到完美的性能。此外，误差减小，变得几乎接近于零（0）。图6（a）中显示了精确度-召回（PR）曲线，PR曲线通常由混淆矩阵生成，以评估给定数据集上的模型性能[37]。这样的曲线，y轴是精确度，x轴是召回率，可以揭示算法之间的差异。他们还总结了预测模型的阳性预测值（PPV，精确度）和真阳性率（TPR，召回率/灵敏度）之间的权衡。位于另一条曲线上方的曲线具有更好的性能级别。该研究还绘制了不同截止值下的TPR（灵敏度）与假阳性率（1-特异性）。在单位正方形中生成一条曲线，称为受试者工作特征（ROC）曲线。ROC评价是分析医疗诊断系统可靠性的标准方法。CHF和NSR分类的ROC曲线图见图6（b）。这两条曲线都获得了极好的可视化，因为它们的值接近于1。一些先前的研究探索了使用DL技术的CHF分类例如自动编码器、CNN和LSTM（参见表4）。Chen等人[25]构建了一种基于SAE的DL算法的CHF检测模型。SAE应用于从原始无监督RR数据间隔自动学习特征。然后对SAE进行培训，以建立一个歧视CHF的模型。DL算法首先使用SAE从原始RR间期中提取无监督特征，然后构建具有各种隐藏节点组合的深度神经网络模型。结果表明，该模型的预测准确率为72.41%.因此，RR间期在CHF检测中具有潜力，但不能完全代表24小时内的动态变化。 Acharya等人[3]提出了一种用于CHF诊断的11层深度CNN模型。这种CNN模型只需要对ECG信号进行最少的预处理，并且不需要工程特征或分类。他们为四个集合（A-D）生成了CNN模型的结构。在四个集合中，集合B（使用BIDMC CHF数据库和Fantasia数据库[FD]）分别实现了98.97%、99.01%和98.87%的最大准确性、特异性和灵敏度。然而，在CNN的使用中存在限制;当应用于ECG时，CNN切割固定长度的窗口大小，从而最终降低分类率。Wang等人[6]将LSTM和GoogLeNet的inception模块结合起来进行CHF检测。三种RR片段长度形式（N准确度灵敏度特异性精密度F1-评分1 99. 86 99. 85 99. 87 99. 862 99.66 99.50 99.50 99.64399.68 99.62 99.62 99.72 99.672019 - 06 - 29 00：00：00 00：00599.66 99.60 99.60 99.69 99.65500、1000和2000）用于与其他研究进行比较。他们将数据库分为两个，即数据库1和2。结果表明，数据库1优于数据库2。使用数据库1（BIDMC CHF、NSR和FD），所提出的方法可以通过对心跳的短期评估来检测CHF;该方法实现2019 - 04 - 29 00：00：002019 - 09 - 20 09 - 20 09 - 33 09 - 262019 - 06 - 21 06 - 21 06 - 21 06 - 2199.84 99.81 99.81 99.86 99.8310 99.46 99.31 99.31 99.54 99.4211 99.60 99.52 99.52 99.64 99.5812 98.53 98.54 98.54 98.35 98.4513 98.60 98.39 98.39 98.66 98.5214 95.80 95.65 95.65 95.71 95.6815 98.66 98.56 98.56 98.70 98.6316 96.26 96.27 96.27 96.13 96.2017 99.80 99.75 99.75 99.82 99.7918 99.46 99.34 99.34 99.55 99.4419 99.64 99.55 99.55 99.70 99.6220 98.66 98.66 98.66 98.55 98.6021 99.13 98.98 98.98 99.19 99.0822 95.16 95.16 94.86 95.0023 98.57 98.40 98.40 98.66 98.5324 94.40 94.53 94.53 93.80 94.13盲法验证的准确率分别为99.22%、98.85%和98.92%。LSTM表现良好;然而，在这种情况下，在不考虑CHF分类的HRV分析的情况下获得了出色的结果。虽然我们的结果看起来很有希望，但我们的研究有一定的局限性，如以下。我们没有根据1-4级对CHF患者进行分类我们使用有限的数据集来生成模型，并且没有根据医院患者数据验证所提出的模型。4. 结论CHF是一种复杂的临床疾病，其特征在于心脏泵送和血液填充能力降低。将ECG分类用于CHF检测是具有挑战性的，因为ECG波形需要长或短的时间。··A. Darmawahyuni等人医学信息学解锁21（2020）1004418图五、五个最佳LSTM模型的准确性和损失曲线。短期RR间期数据。总之，本文提出了一种DL技术-具有LSTM架构的RNN-来区分正常心脏和CHF ECG信号。以BIDMC CHF和NSR数据的前5分钟和前15分钟为特征，比较了1秒到4秒ECG信号的分割学习过程。实验表明，两种ECG信号的前15分钟产生比前五分钟更好的性能，并且一秒ECG信号分割显示出比其他时间分割更好的性能。此外，我们微调隐藏层的参数。增加更多的LSTM层并不会产生更好的性能。我们生成了24个LSTM模型来实现最佳性能，模型1是所有模型中最好的建议的LSTMA. Darmawahyuni等人医学信息学解锁21（2020）1004419图五. （续）。图六、模型1 LSTM中的精确度-召回率和ROC曲线作为拟议模型。A. Darmawahyuni等人医学信息学解锁21（2020）10044110表4CHF分类的基准研究作者方法（%）准确度灵敏度特异性精密度F1-ScoreChen et al.[25]一个稀疏自动编码器（SAE）72.41Acharya等人[3] CNNs 98.97 98.87 99.01Wang等人LSTM 99.22 99.22 99.72本文LSTM 99.86 99.85 99.85 99.87 99.86模型1中的体系结构由一个隐藏层、250节点输入层、100节点隐藏层、一个时间步长、八个批量大小和139个时期（使用早期停止）组成。所提出的方法具有良好的分类性能，产生的准确性，灵敏度，特异性，精确度和F1评分值分别为99.86%，99.85%，99.85%，99.87%在未来的工作中，我们将推广所提出的LSTM模型，以使用多个数据库对其他心脏异常进行分类。我们提出的模型为临床医生提供了初步诊断，以便进一步治疗。我们得出结论，DL技术可以是一个有用的预测方法，提高识别率的CHF患者的心电图短期记录。作者贡献A.D.正式分析、资源和写作-原始草稿; S.N.概念化，资金获取，监督和写作重新查看编辑;&软件，数据管理; M.N.R.软件和写作评论编辑; F.编辑评论编辑; B. T.&&写评论编辑。&资金这工作 是资助通过希巴吉吉号SPDIPA-023.17.2.677515/2020，印度尼西亚Sriwjaya大学。竞合利益作者声明，他们没有已知的竞争性金融[9] [10]杨文，杨文，杨文.通过长期心率变异性评估充血性心力衰竭患者风险的分类树。IEEEJ Biomed Health Informatics 2013;17（3）：727-33.https://doi.org/10.1109/JBHI.2013.2244902.[10] De Jong MMJ，Randall DC.心率变异性分析在心力衰竭自主神经功能评估中的应用。《护士杂志》2005;20（3）：186-95。https://doi.org/10.1097/00005082-200505000-00010网站。[11] 奥尔罕大学“Real-time CHF detection from ECG signals using a novel discretizationmethod,” Biol Med 2013;43（10）：1556-62。https://doi.org/10.1016/j的网站。compbiomed.2013.07.015网站。[12] M aarsenseticZ，SubasiA. 使用c4检测充血性心力衰竭。 5决策树东南欧软计算杂志2013;2（2）. https://doi.org/10.21533/scjournal的网站。v2i2.32.[13] 卡马斯角一种利用心电图信号去趋势波动分析检测充血性JEng Sci Technol2015;10（2）：145https://doi.org/10.1016/j.medengphy.2012.03.001网站。[14] Sudarshan VK等人，使用双树复小波变换和从2 s ECG信号中提取的统计特征自动诊断充血性心力衰竭。Comput Biol Med 2017;83：48-58.https://doi.org/10.1016/j的网站。compbiomed.2017.01.019网站。[15] Isler Y，Narin A，Ozer M，Perc M. “Multi-stage classification of congestive heartfailure based on short-term heart rate variability,” Solitons Fractals 2019; 118：145&https://doi.org/10.1016/j.chaos.2018.11.020网站。[16] Nurmaini S等人，使用卷积神经网络从短期心电图中检测房颤。2020年的未来一代计算系统。https://doi.org/10.1016/j.future.2020.07.021网站。[17] 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。[18] 神经网络在语音识别中的应用。2019年IEEE自动语音识别和理解研讨会。ASRU; 2019.第905- 912页。https://doi.org/10.1109/asru46091.2019.9004036.[19] 刘强，方丽，于刚，王丹，肖春玲，王凯.通过深度递归神经网络对Ox ford纳米孔测序数据检测DNA碱基修饰。Nat Commun 2019;10（1）：1https://doi.org/10.1038/s41467-019-10168-可能会影响本文所报告工作二、[20] Esteva A，et al.《医疗保健中的深度学习指南》。Nat Med 2019;25（1）：24https://doi.org/10.1038/s41591-018-0316-z。-9.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.2020.100441。引用[1] Ponikowski P等，《心力衰竭：预防全球疾病和死亡》。ESC心脏衰竭2014;1（1）：4-25。https://doi.org/10.1002/ehf2.12005网站。[2] Sakata Y，Shimokawa H.亚洲心力衰竭的流行病学CircJ 2013.网址：http：//doi.org/10.1253/circj.cj-13-0971CJ-13[3] Acharya UR等人，Deep convolutional neural network for the automated diagnosisof congestive heart failure using ECG signals. Appl Intell 2018：1-12. 网址：//doi.org/10.1007/s10489-018-1179-1。[4] Yancy CW，et al. ACC/AHA/HFSA focused update of the 2013 ACCF/AHAguideline for the management of heart failure：a report of the American college ofcardiology/American heart association task force on clinical practice guidelinesand the heart failure society of amer.J Am Coll Cardiol 2017;70（6）：776-803.https://doi.org/10.1161/CIR.0000000000000509网站。2017年。[5] Jahmunah V等人，使用ECG信号的充血性心力衰竭的计算机辅助诊断-综述。物理医学2019;62：95-104. https://doi.org/10.1016/j的网站。ejmp.2019.05.004网站。[6] 王丽，周晓.基于LSTM的深度网络通过短期RR间期检测充血性心力衰竭传感器2019;19（7）：1502. https://doi.org/10.3390/s19071502.[7] Gladding PA，et al.个性化心血管医学的开放式综合治疗和诊断平台JPersonalized Med 2013;3（3）：203-37.https://doi.org/10.3390/jpm3030203网站。[8] Nurmaini S，Gani A.以及其他人，“使用深度神经网络和主成分分析算法进行心律失常分类。IntJ Adv SoftComput Its Appl 2018;10（2）.[21] Limam M，Precioso F.基于卷积递归神经