实时多导联卷积神经网络在心肌梗死检测中的应用

实时多导联卷积神经网络在心肌梗死检测中的应用
Real-Time Multilead Convolutional Neural Network for Myocardial Infarction Detection
原文：https://ieeexplore.ieee.org/document/8103330

摘要：提出了一种基于心电图的多导联CNN心肌梗死检测算法。
1.多导联心电图进行心拍分割；
2.模糊信息粒化（FIG）进行预处理；
3.将信号送入ML-CNN分类；
ML-CNN是新模型（sub two-dimensional (2-D) convolutional layers 和 lead asymmetric pooling (LAP) layers ？）
不同的导联代表同一心脏的不同角度。
lead asymmetric pooling (LAP) layers：可以捕捉不同导联的多尺度特征，利用每个导联的个体特征。
sub two-dimensional (2-D) convolutional layer ：可以利用所有导联的整体特性。它使用不同导联之间共享的一维卷积核来生成局部最优特征。

以上这些策略使ML-CNN适用于多导联心电图处理。

算法评估：
数据集->PTB诊断数据库中的实际ECG数据集；
精度指标->灵敏度为95.40%，特异性为97.37%，准确率为96.00%；
速度指标->平均每个心跳的处理时间：MATLAB为17.10毫秒；ARM Cortex-A9平台上为26.75毫秒；
该方法在移动医疗应用中具有良好的潜力。

原理部分介绍：

1.心拍分割方法：
1)对时间序列求一阶差分

2)求对差分值进行平方后求导联间均值（作用：放大变化剧烈的QRS部分）

绿框内是源信号，红框内是经过上述1)、2)处理得到的信号。

3)求局部极大值

4)自适应阈值筛选（去掉因噪声引起的局部极大值）

最终得到的结果如下图所示：

2.模糊信息粒化进行预处理：

信息粒化这一概念最早是由Lotfi A. Zadeh(L.A. Zadeh)教授提出的.信息粒化就是将一个整体分解为一个个的部分进行研究,每个部分为一个信息粒. Zadeh教授指出：信息粒就是一些元素的集合,这些元素由于难以区别、或相似、或接近或某种功能而结合在一起.
https://blog.csdn.net/FrankieHello/article/details/104505837
（FIG的原理，我也没看懂）

3.sub two-dimensional (2-D) convolutional layers：
为什么：作者认为在多导联ECG中，只有导联内部的局部变化对MI诊断有意义，因为只有导联内信号振幅是连续的，导联间信号振幅是不连续的。因此，多导联心电图的导联内局部变化整体决定检测结果。
怎么办：在多个导联间共享一维卷积核，这个一维卷积核只用于提取有意义的导联内变化。另一个好处是，更少的参数量，意味着过拟合的风险会降低。
（个人感觉，sub 2D卷积就是个通道数为1，高度为1，宽度为k（内核大小）的2D卷积，因为这样的卷积核可以实现同样的功能，而且代码上实现简单）

4.lead asymmetric pooling (LAP) layers：
对不同的通道加以不同的下采样系数，然后为了统一维度，再在两端补0。

结果：
基本参数：
实验基于一个ML-CNN，它有2个sub 2D卷积层、2个LAP池化层和2个MLP层。2个sub 2D卷积层，内核大小设置为31和5，内核数量设置为6和12。2个LAP池化层中的基本池系数均设置为3。因此，MLP的输入和输出元素的数量分别为576和2，而MLP中没有设置隐藏层。

结论：
该研究提出了一种基于多导联心电图的心肌梗死检测新算法。与传统的由特征提取和分类组成的机器学习框架不同，ML-CNN能够同时自动学习特征和分类样本。由于sub 2D卷积和LAP策略，ML-CNN比传统的二维CNN更适合于多导联心电图分析。结果表明，该方法检测心肌梗死的灵敏度为95.40%，特异性为97.37%，准确率为96.00%，与具有复杂手工设计特征的方法相当。该算法在PC和ARM嵌入式平台上的运行时间都很短，这表明它可以应用于实时系统。ARM上的实现表明了在可穿戴或便携式设备等移动系统中应用的可能性。
虽然提出的方法有许多优点，但仍有进一步改进的余地。该算法包含大量参数；因此，需要调整以获得更好的结果。对于实际应用，一个完整的硬件框架，包括前端采集电路、嵌入式平台和用户界面，是必不可少的。未来，将基于该算法建立一个轻量级的可穿戴或便携式系统。

参考文献
W. Liu et al., “Real-Time Multilead Convolutional Neural Network for Myocardial Infarction Detection,” IEEE Journal of Biomedical and Health Informatics, vol. 22, no. 5, pp. 1434–1444, Sep. 2018, doi: 10.1109/JBHI.2017.2771768.

实时多导联卷积神经网络在心肌梗死检测中的应用相关推荐

深度卷积神经网络在目标检测中的进展
作者:travelsea 链接:https://zhuanlan.zhihu.com/p/22045213 来源:知乎近些年来,深度卷积神经网络(DCNN)在图像分类和识别上取得了很显著的提高.回顾 ...
04.卷积神经网络 W3.目标检测（作业：自动驾驶 - 汽车检测）
文章目录 1. 问题背景 2. YOLO 模型 2.1 模型细节 2.2 分类阈值过滤 2.3 非极大值抑制 2.4 完成过滤 3. 在照片上测试已预训练的YOLO模型 3.1 定义类别.anchor ...
基于深度卷积神经网络的目标检测研究综述
基于深度卷积神经网络的目标检测研究综述人工智能技术与咨询来自<光学精密工程> ,作者范丽丽等摘要:作为计算机视觉中的基本视觉识别问题,目标检测在过去的几十年中得到了广泛地研究.目标检 ...
卷积神经网络训练准确率突然下降_基于联邦学习和卷积神经网络的入侵检测方法...
王蓉1,马春光2,武朋2 1. 哈尔滨工程大学计算机科学与技术学院,哈尔滨 150001:2. 山东科技大学计算机科学与工程学院,青岛 266590 doi :10.3969/j.issn.1671- ...
基于卷积神经网络的目标检测算法
基于卷积神经网络的目标检测算法 1 滑窗法滑窗法的思路及其简单,首先需要已经训练好的一个分类器,然后把图片按照一定间隔和不同的大小分成一个个窗口,在这些窗口上执行分类器.如果得到较高的分数分类,就认 ...
卷积神经网络之目标检测总结
概述传统的目标检测任务主要通过人工提取特征模型建立,常用的特征包括:HOG.SIFT.Haar等,特征提取模型之后进行支持向量机或者Adaboost的分类任务,进而得到我们所关注的目标结果.由于特征 ...
熬了几个大夜，学完一套985博士总结的「卷积神经网络、目标检测、OpenCV」学习笔记（20G高清/PPT/代码)...
AI 显然是最近几年非常火的一个新技术方向,从几年前大家认识到 AI 的能力,到现在产业里已经在普遍的探讨 AI 如何落地了. 我们可以预言未来在很多的领域,很多的行业,AI 都会在里边起到重要的作用 ...
深度学习——day9（外 Q1 2021）基于多尺度特征融合的深度监督卷积神经网络路面裂缝检测
基于多尺度特征融合的深度监督卷积神经网络路面裂缝检测导图和笔记资源下载三级目录# (外 Q1 2021)基于多尺度特征融合的深度监督卷积神经网络路面裂缝检测 chap2 传统裂纹检测方法 1)Tr ...
基于卷积神经网络的谣言检测（刘政（未志华）-计算机应用2017）
基于卷积神经网络的谣言检测,刘政.卫志华.张韧弦,<计算机应用>-2017 主要内容(与周志远2018类似) 使用Majing数据集将谣言事件向量化,改进传统的卷积层过滤操作,使用CNN ...

实时多导联卷积神经网络在心肌梗死检测中的应用

实时多导联卷积神经网络在心肌梗死检测中的应用相关推荐

最新文章

热门文章