基于语义分割的单导心电图心拍分类研究

为从心电图(electrocardiogram, ECG)中准确识别心拍,本研究提出了一种融合残差连接与注意力机制的改进一维U-Net语义分割模型,使用从上万名患者远程动态ECG记录中截取的148 340条单导联ECG数据,对正常窦性心律(Normal)、室性早搏(premature ventricular contraction, PVC)、房性早搏(atrial premature beat, APB)、左束支传导阻滞(left bundle branch block, LBBB)和右束支传导阻滞(right bundle branch block, RBBB)五种常见心拍进行分类。该模型以一定长度的ECG片段作为输入,通过添加背景标签,完成对所有采样点的语义分割,实现对各心拍进行定位的同时,完成类型识别。在测试集上的实验结果表明,该模型能够准确检测心拍位置,仅有0.04%的心拍被漏检;对Normal、PVC、APB、LBBB、RBBB心拍分类的F1分数分别为99.44%、99.03%、97.63%、95.25%和94.77%。该方法与传统U-Net模型相比,能够取得更好的心拍分类效果。

基于聚类分析的心电节拍分类算法

为提高计算机辅助心电节拍分类算法的准确率和普适性,提出一种基于聚类分析的心电节拍分类算法,该算法利用心电节拍个体内差异性较小的特性,采用两级聚类分析、抽样代表性心电节拍的方法,结合心电医师的辅助诊断,实现对心电节拍的准确分类。为了验证算法的准确性,采用国际公认的标准数据库——MIT-BIH心律失常数据库,AAMI/ANSI标准规定的心电节拍分类方法及准确率的计算方法进行仿真实验,最终总体分类准确率达到99.07%。与Kiranyaz等(KIRANYAZ S,INCE T,PULKKINEN J,et al.Personalized long-term ECG classification:A systematic approach[J].Expert Systems with Applications,2011,38(4):3220-3226.)的心电节拍分类算法相比,该算法无需进行设定的训练,且S类心电节拍分类灵敏度由40.15%提高到89.82%,显著提高了分类算法的普适性。

基于小波变换特征提取的支持向量机心搏分类研究

在对心电信号进行离散小波变换并提取优化特征组合的基础上,利用标准算法(l-a-r算法)和二叉树算法分别构建支持向量机分类器实现心电图的分类,对不同小波下提取不同维特征向量构建的分类器性能进行比较,同时对取自MIT-BIH数据库的4类心电图(正常心搏、左束支传导阻滞心搏、右束支传导阻滞心搏和起搏心搏)进行分类.结果表明,采用标准算法对db2小波下8维特征向量训练的支持向量机分类器分类性能最优,总体分类正确率达98.770/0.

插入性早搏的心电散点图特征及形成原理分析

目的探讨插入性早搏的心电散点图特征及其形成原理,为快速分析动态心电图奠定基础。方法选择插入性早搏的典型病例,分析其心电散点图形态特征。借助几何画板的动态作图功能与轨迹跟踪功能,建立相应的散点图模型。结合实际记录的心电散点图与数学模型特征,总结插入性早搏的散点图特征。结果实际记录的心电散点图与数学模型十分相似。结论插入性早搏的心电散点图特征明显、规律性强。Lorenz散点图与差值散点图相互配合,不仅可以快速识别动态心电图中插入性早搏的有无及多少,而且可以发现它所引起的干扰性PR间期延长及其延长量。

心电散点图在交界性早搏中的诊断价值

目的探讨心电散点图在交界性早搏中的诊断价值。方法选择两例分别误诊为频发房性早搏(房早)及成对房早的动态心电图病例,分析其散点图特征,并结合逆向技术修正诊断结论。结果一例心电散点图符合频发室性早搏(室早)的散点图特征,另一例符合室性并行心律伴插入性室早的散点图特征。结合逆向技术,将原诊断分别修正为频发交界性早搏和插入性交界性早搏。结论交界性早搏的心电散点图特征类似于频发室早的散点图特征,而插入性交界性早搏的心电散点图特征类似于插入性室早的散点图特征。心电散点图是快速鉴别交界性早搏与房早的"秘密武器"。

QRS波群自动分类技术研究进展

本文综述了QRS波群自动分类技术的关键技术及其研究方向,内容涉及QRS波群的描述方法、分类方法和训练数据集这三个重要影响因素。

融合CNN和BiLSTM的心律失常心拍分类模型

为更加准确地从动态心电中提取异常心拍,设计一种融合卷积神经网络(CNN)和多层双边长短时记忆网络(BiLSTM)的心律失常心拍分类模型。心电信号首先被分割成0.75s和4s两种不同尺度大小的心拍信号,然后利用11层CNN网络和3层BiLSTM网络分别对小/大尺度心拍信号进行特征提取与合并,并使用3层全连接网络对合并特征进行降维,最后利用softmax函数实现分类。针对MIT心律失常数据库异常心拍类型分布不均衡的问题,采用添加随机运动噪声和基线漂移噪声的样本扩展方法,降低模型的过拟合。采用基于患者的5折交叉检验进行模型验证。MIT心律失常数据库116000个心拍的分类结果表明:所建立的模型针对4类心拍(正常、房性早搏、室性早搏、未分类)的识别准确率为90.42%,比单独使用CNN(76.45%)和BiLSTM(83.28%)的模型分别提高13.97%和7.14%。所提出的融合CNN和BiLSTM的心律失常心拍分类模型,相比单一基于CNN模型或者BiLSTM模型的机器学习算法,有更好的异常心拍分类准确率。

类内类间距离在CNN识别心拍类中的应用研究

心脏疾病严重威胁人类身体健康,心电图(Electrocardiogram,ECG)心拍分类对心脏疾病的临床诊断和自动诊断具有重要意义。现有基于深度学习生成的ECG心拍特征虽然优于基于传统方法生成的心拍特征,但是因ECG中各类间存在着严重的数据不平衡问题,致使现有基于深度学习方法生成的心拍特征的性能仍不甚理想。针对这一问题,以卷积神经网络(Convolutional Neural Network,CNN)为基础,在各类心拍等量数据基础上构建能有效表达各类心拍共性信息的共性CNN模型,以共性CNN模型和最小化类内距离最大化类间距离模型为基础,分别在各类心拍数据上构建能有效反映相应心拍类别倾向性信息的类别CNN模型,综合各心拍类别CNN模型的输出进行识别与分类。在MIT-BIH数据库上的实验结果显示,该方法识别分类心拍的各项指标均达到100%,解决了MIT-BIH数据库中ECG四类心拍自动识别分类的问题。

远程心电网络系统对边远少数民族地区基层患者预后不良型室性早搏诊断的应用

目的:探讨远程心电网络系统对边远少数民族地区基层患者预后不良型室性早搏诊断应用价值。方法:随机选择湖南省张家界市下属三个乡镇中心卫生院主诉心悸患者为研究组,长沙市下属三个街道卫生服务中心主诉心悸患者为对照组,每组3 800例。分别比较两组各类型预后不良型室性早搏检出率的差异,两组预后不良型室性早搏患者在性别和不同年龄段上分布的差异,以及两组预后不良型室性早搏的发生与年龄的相关性。结果:研究组复杂室性早搏检出率高于对照组,差异具有统计学意义(P<0.05),而其他类型预后不良型室性早搏检出率差异无统计学意义(P>0.05)。研究组45~59岁年龄段预后不良型室性早搏患者的检出率明显高于对照组(P<0.05),不同性别及其他年龄段的检出率比较,差异无统计学意义(P>0.05)。两组预后不良型室性早搏的发生与年龄虽呈正相关(P<0.05),但相关度极小。结论:远程心电网络系统有助于边远少数民族地区基层患者预后不良型室性早搏的早期诊断及提高阳性检出率,并辅助筛查预后不良型室性早搏高危人群,从而及早预警院外恶性室性心律失常导致的心源性猝死。

心电散点图快速鉴别室性反复搏动与插入性室性早搏

室性反复搏动与插入性室性早搏是临床经常出现的两类心律失常。二者的形成机制不同,但心电图表现类似,经常容易误诊或漏诊。而Lorenz散点图对于二者的鉴别诊断有独到的优势:根据室性反复搏动和插入性室性早搏心电散点图上特征性吸引子的分布特点,能方便快速地做出诊断;利用心电散点图逆向回放技术及吸引子心搏量化工具,还能进一步对二者的诊断进行量化统计,避免对室性反复搏动的误诊和漏诊。

心电散点图在窦性心律失常二联律鉴别诊断中的应用

目的对窦性早搏二联律、3∶2文氏型窦房阻滞及窦房结功能"纵向"分离导致的长短二联律进行鉴别诊断。方法对在漳州市医院心电图室行24 h动态心电图检查的26例确诊为窦性心律失常二联律的患者,采用Lorenz散点图与时间RR间期(t-RR)散点图及逆向技术相结合的方法进行分析及计算机作图。结果对窦性早搏二联律、3∶2文氏型窦房阻滞及窦房结功能"纵向"分离所致长短二联律的鉴别诊断,不能单纯依靠常规心电图,而应结合Lorenz散点图、t-RR散点图及逆向技术,才能对这三者做出较为准确的鉴别诊断。结论利用心电散点图及逆向技术对窦性心律失常二联律现象进行鉴别诊断,可有效提高诊断符合率并降低漏诊率。

分形在心电信号处理中的应用

研究了分形理论在ＥＣＧ信号模拟及处理上的应用，在心室树状结构传导模型的基础上，分析了模拟ＱＲＳ波的功率反比特性；同时通过对ＥＣＧ信号的分形研究，分析了给定对象的ＥＣＧ信号的显著的分形特征。

基于Gabor变换特征选择的ECG心拍分类

为了解决小波变换法不能有效地提取心拍的局部特征,甚至丢失一些关键特征的问题,该文基于类内类间距离和准确性准则,分别采用顺序浮动前向搜索(SFFS)法和单独最优特征组合法对心拍信号的Gabor变换系数的实部选择。选出的系数与RR间期一起组成最近邻分类器的输入特征向量。数据集来自MIT-BI H(MassachusettesInstitute of Technology-Boston s Beth Israel Hospital)心电数据库的8种类型的心拍。实验结果表明,基于准确性准则和SFFS法即封装法的心拍分类方法准确性最高,为98.65%,仅需利用15个Gabor变换系数,有利于提高分类速度。该方法是一种更有效的心拍分类方法。

基于心电图分析的心律失常分类

心律失常分类是心电图自动分析的重要内容。论文基于心律失常的心电波形特点,运用逻辑判别树方法实现心律失常分类。首先,运用数学形态学和小波变换算法检测心电波形的QRS波,计算RR间期、QRS波时限等参数;然后结合医生识读心电图判别依据,将所有心拍分成主导性心拍、室上性异常心拍、室性异常心拍、其他心拍4类。利用MIT-BIH心律失常数据库检验分类效果,统计结果表明总体准确率达到了94.2%。