转自公众号亲爱的数据

心电图（ECG）是一种测量心脏电活动的常规方法，用于检测和诊断心脏疾病，在日常体检中也是必要的检查项目。医生会记住心电图的正常参考值，了解异常心电图的特征表现，现在已经形成了标准的心电分析流程，在医院院内心血管诊疗中发挥重要作用。

心电辅助系统的研究开始于20世纪50年代，目前有多个成熟的商用系统。但是如果增加心脏收缩舒张的监测时间，随之产生的心电图数据越来越多，如何利让机器用算法抓住其中的规律为疾病诊断提供依据？人工智能的算法在语音、图像领域提取规律取得了非常好的成绩，因此将人工智能算法应用于心电领域是值得好好探索的方向。

由吴恩达领导的斯坦福大学机器学习小组，早在2017年的一篇论文研发出一种新的深度学习算法，分析心电图数据可以诊断14种类型的心律失常。

这里需要补充一下背景知识，心电是电压信号，单导联心电可用于节律类的心脏诊断，如心律不齐，多导联的心电可以做更复杂的诊断。心电的原理是心肌细胞去极化的时候会在皮肤表面引起很小的电学改变，这种电压差的连续变化反映了心脏收缩舒张的过程[1]。

第一篇：十年心电图分析调查大总结

心电图信号基本上与心脏的电活动（electrical activity）相对应。心电图信号被用于各种用途，如测量心率、检查心跳节律、诊断心脏异常、情感识别和生物特征识别。心电图分析可以包含几个步骤，如预处理、特征提取、特征选择、特征转换和分类。为了进行相关的分析，每个步骤的执行都是至关重要的。

此外，采用适当措施和心电信号数据库也在分析中发挥着重要作用。在本研究中，基于以上主要方面，对近十年来有关心电图分析的文献进行了全面的综述。简述了心电图分析的各个步骤，并提供了相关研究。

论文信息："A survey on ECG analysis." Biomedical Signal Processing and Control 43 (2018): 216-235.

第二篇：用卷积神经网络进行心脏病专家级的心律不齐检测

吴恩达团队和可穿戴心电图监测设备厂商iRhythm合作，收集并标注了来自29163名患者的64121份心电图数据，以200 Hz的频率采样，构建了大规模的训练集和校验集，用来训练神经网络。他们又从328名患者处收集了336份心电图数据，构成了测试集。数据集中的心电图样本每段30秒，都经过专业医生标注。

测试集的数据标注则经过3名心脏病专家组成的委员会共同判断得出。构建了34层神经网络，包括33个卷积层、一个全连接层和softmax模型，以原始心电图时间序列为输入，每秒输出一次预测标签。论文的主要作者说：“心律信号之间的差异可能非常细微，比如说，有两种心律不齐都叫做二度房室传导阻滞的，它们在心电图上的表现也非常相似，但一种需要立刻治疗，一种不需要。”而这篇论文用深度神经网络，从心电图中识别14类心律不齐。

论文信息："Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network." Nature Medicine 25.1 (2019): 65.

第三篇：使用人工智能心电图检查心脏收缩功能障碍

心电易获取、成本低，能否成为无症状的左心室功能障碍（ALVD）的早筛工具？无症状的左心室功能障碍存在于普通人群的比率是3％-6％，即使可以治疗，该病会降低患者生活质量和减少寿命。目前还没有用于该病低成本的，无创的筛查工具。我们测试了这样的假设：对来自梅奥诊所（Mayo Clinic）的44959名患者使用一种常规的测量心脏电活动的方法，收集成对的12导联心电图和超声心动图数据，包括左心室射血分数（衡量收缩功能），我们训练了一个卷积神经网络，以确定患有心室功能障碍的患者，射出分率（ejection fractio）≤ 35％，并仅使用心电图数据。当在一组独立的52870名患者上进行测试时，网络模型得出曲线下面积的值，敏感性，特异性和准确度分别为0.93和86.3％，85.7％和85.7％。

在没有心室功能障碍的患者中，人工智能筛查呈阳性的患者未来发生心室功能障碍的风险是其他患者4倍（风险比4.1；95％置信区间，3.3 to 5.0）。将人工智能算法应用于心电图，能够实现一个长期监测的低成本功能，允许心电图作为没有症状个体的强大筛查工具来识别该病。

论文："Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram." Nature Medicine 25.1 (2019): 70.

第四篇：区域聚集网络，改进卷积神经网络用于心电图特征检测

心电图特征点的提取是心电图自动分析技术的第一步。论文提出了一种新的端到端深度学习方法——区域汇聚网络(RAN)，用于心电图特征点的检测。

采用1D卷积神经网络(CNN)对心电图信号进行自动处理。提出了一种新的区域聚集策略来代替传统的全连通层作为回归器。论文团队为公共心电图数据库提供了可靠和准确的检测性能。该方法在QT数据库上的评价结果表明，该方法的检测精度与国内先进的检测方法具有可比性。实验证明，深度学习方法是一种有效的心电信号分析方法。

论文信息："Region Aggregation Network: Improving Convolutional Neural Network for ECG Characteristic Detection." . IEEE

第五篇：基于递归神经网络和主动学习的全局可更新心电图心跳分类系统

该系统通过单一分类器为所有患者实现了最先进的性能。论文所提出的优化机制显着提高了整个系统的泛化能力。实施递归神经网络以自动学习特征。通过心电图（ECG）自动诊断心律失常所面临的主要挑战是个体患者之间的巨大差异以及标记临床心电图记录的高成本。为了建立具有自动特征学习方案和有效优化机制的系统，我们提出了一种全局可更新的分类方案，称为全局递归神经网络（GRNN）。基于形态学和时间信息，采用递归神经网络来探索心电图搏动的基本特征。为了在获得新样本时提高系统性能，应用主动学习来选择信息量最大的节拍并将其合并到训练集中。随着训练集的增长，系统会更新。论文提出的全局递归神经网络有三项主要创新。首先，依靠全局递归神经网络的大容量和拟合能力，我们可以用单一模型对多个不同患者的样本进行分类。其次，当训练样本和测试样本来自不同的数据库时，全局递归神经网络提高了泛化性能。这可以解释为优化机制找到最具信息性的样本以改善作为训练数据的性能。最后，递归神经网络自动学习来自不同类别的样本之间的潜在差异。实验结果证明全局递归神经网络系统通过单一模型实现了最先进的性能。在数据库实验中，训练数据和测试数据分别来自不同的数据库，与其他算法相比，全局递归神经网络实现了显着的改进。

论文信息："A global and upda table ECG beat classification system based on recurrent neural networks and active learning." Information Sciences (2018).

第六篇：用深层网络对心律失常进行注释的方法

本研究旨在利用深度网络对心律失常进行自动标注。研究类型包括窦性心律、心律失常、室上性心动过速、心室颤动或纤颤、室性心动过速。方法：将麻省理工学院恶性心室性心律失常数据库和麻省理工学院正常窦性心律数据库中的13s肢体导联心电图块分成子集，进行5次交叉验证。将这些信号重新采样到200Hz，滤除基线漂移，投影到二维灰度谱中，然后送入一个全新结构的深层网络。

该网络利用残差层提取单个时间点的特征向量，利用变分自动编码器(VAE)提取隐式表示。在训练过程中，将这些前半部分训练到损失函数的某一阈值，然后在训练过程中切换到剩余的双向递归神经网络(RNN)，即预测心律失常类别的前半部分。经过训练的模型进入到容器的映像中，以便在终端或云端中部署。结论：对四种心律失常均有良好的敏感性和较好的准确率。在两个心室心律失常也被观察到了。此外，用变分自动编码器进行隐式表示，可以显著提高算法的收敛速度和精度。