《ECG信號分類研究現(xiàn)狀分析綜述》1200字

ECG信號分類研究現(xiàn)狀分析綜述傳統(tǒng)的醫(yī)療監(jiān)測系統(tǒng)在空間和時間上有諸多限制，且成本較大，不利于大規(guī)模離線收集數(shù)據(jù)。體域網(wǎng)系統(tǒng)中的可穿戴或嵌入式設(shè)備很好地解決了此類問題。在智能醫(yī)療系統(tǒng)中，體域網(wǎng)與人工智能結(jié)合，不僅可以便捷收集大量數(shù)據(jù)，還可以實時對病人進(jìn)行監(jiān)護(hù)?；跈C(jī)器學(xué)習(xí)的ECG信號分類算法大致可分為兩類：1）基于傳統(tǒng)的機(jī)器學(xué)習(xí)的方法；2）基于深度學(xué)習(xí)的方法。（1）基于傳統(tǒng)機(jī)器學(xué)習(xí)的心電分類現(xiàn)狀傳統(tǒng)的ECG信號分類方法主要包括數(shù)據(jù)預(yù)處理、特征提取以及分類器的設(shè)計三部分，如圖1-1所示。由于ECG信號受基線漂移、肌電信號和工頻干擾等的影響，因此需要對采集的ECG信號進(jìn)行去噪。當(dāng)前去噪的常用方法有最大抽值濾波器[31]、有限沖激響應(yīng)數(shù)字濾波器[32]、非線性貝葉斯濾波器[33]、線性濾波器組[34]、自適應(yīng)濾波[35]等。利用各類濾波器對原始ECG信號進(jìn)行去噪，是提升分類性能的重要手段之一。然后，需要從去噪后的ECG信號中人工提取ECG信號分類特征，最常見有形態(tài)特征和時序特征。其中，QRS波段包含了ECG信號中大部分形態(tài)特征，在文獻(xiàn)[36,37]中作者采用截取QRS波段作為特征，將其作為心電類別識別的重要依據(jù)。而時序特征則為兩個相鄰心跳間隔，即R波之間的距離[38]。最終分類器利用確定的特征集對心跳進(jìn)行分類，常用分類器有模糊C均值[39]、K臨近算法[40]、隨機(jī)森林[41]、支持向量機(jī)[42]等，均在心跳分類領(lǐng)域獲得成功應(yīng)用。圖1-1傳統(tǒng)的ECG信號分類算法流程（2）基于深度學(xué)習(xí)的心電分類現(xiàn)狀由于深度神經(jīng)網(wǎng)絡(luò)方法具有較好的抗噪聲能力、大樣本數(shù)據(jù)下的泛化能力以及高精度的分類性能，故該方法已被廣泛應(yīng)用到包括心電分類在內(nèi)的各個領(lǐng)域。目前主流心電分類算法有卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionNeuralNetwork，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）。CNN通過學(xué)習(xí)ECG信號的空間特征，對樣本內(nèi)一定范圍內(nèi)的數(shù)據(jù)進(jìn)行卷積綜合，有效的提取區(qū)域特征，在ECG信號分類上能夠取得很好的性能[43-45]。ECG信號本質(zhì)上是一維時間序列，而RNN能夠很好地保存序列信息的記憶單元，因此也有結(jié)合ECG信號的序列信息，利用RNN網(wǎng)絡(luò)進(jìn)行ECG信號分類的方法[46,47]。也有文章[48,49]提出一種結(jié)合了CNN+LSTM的網(wǎng)絡(luò)架構(gòu)，可以同時提取ECG信號的空間特性和時間特性，顯著提升了ECG信號分類的準(zhǔn)確率?；趥鹘y(tǒng)的機(jī)器學(xué)習(xí)方法雖然一定程度上實現(xiàn)了ECG信號的自動分類，但隨著數(shù)據(jù)量的不斷增大，已無法滿足大樣本數(shù)據(jù)的分類要求，此外因為需要原始信號進(jìn)行人為的特征提取，從而可能限制了相關(guān)算法的分類準(zhǔn)確率。而基于深度學(xué)習(xí)的方法可以解決上述問題，深度神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的特征提取和自學(xué)習(xí)能力，無需復(fù)雜的預(yù)處理和人工特征提取，可以大幅降低傳統(tǒng)分類算法中人工特征提取的工作量。然而，無論是深度學(xué)習(xí)算法中的RNN網(wǎng)絡(luò)，還是傳統(tǒng)的CNN網(wǎng)絡(luò)，它們雖然在近年來的ECG信號分類識別任務(wù)中取得了較好的分類效果，但為了更佳的分類性能，其網(wǎng)絡(luò)層數(shù)不斷加深，過深的網(wǎng)絡(luò)模型容易產(chǎn)生退化問題，反會影響識別準(zhǔn)確率。為解決上述問題，He[50]提出了殘差網(wǎng)絡(luò)（ResNet），通過引入恒等映射，不僅解決了梯度消失和模型退化的問題，還極大地提高了模型的分類性能。同時，由于殘差網(wǎng)絡(luò)可以進(jìn)行端到端的訓(xùn)練，網(wǎng)絡(luò)模型容易被部署到體域網(wǎng)移動終端，從而實現(xiàn)ECG信號實時監(jiān)測。故本文采用殘差模型搭建分類網(wǎng)絡(luò)架構(gòu)。參考文獻(xiàn)Z.Cai,M.Seyedi,W.Zhang,etal.CharacterizationofImpulseRadioIntrabodyCommunicationSystemforWirelessBodyAreaNetworks[J].JournalofMedicalandBiologicalEngineering,2017,37(1)：74-84.S.Ullah,H.Higgins,B.Braem,etal.Acomprehensivesurveyofwirelessbodyareanetworks[J].JournalofMedicalSystems,2012,36(3):1065-109S.Movassaghi,M.Abolhasan,J.Lipman,etal.Wirelessbodyareanetworks:asurvey[J].IEEECommunicationsSurvey&Tutorials,2014,16(3):1658–168王麗蘋.融合領(lǐng)域知識的心電圖分類方法研究[D].華東師范大學(xué)，2013.AQO,XuQA,ClA,etal.AutomatedECGclassificationusinganon-localconvolutionalblockattentionmodule[J].ComputerMethodsandProgramsinBiomedicine,2021.AmirshahiA,HashemiM.ECGClassificationAlgorithmBasedonSTDPandR-STDPNeuralNetworksforReal-TimeMonitoringonUltraLow-PowerPersonalWearableDevices[J].IEEETransactionsonBiomedicalCircuitsandSystems,2020,13(6):1483-1493.ShakerAM,TantawiM,ShedeedHA,etal.GeneralizationofConvolutionalNeuralNetworksforECGClassificationUsingGenerativeAdversarialNetworks[J].IEEEAccess,2020,8:35592-35605.YLCun,JSDenker,SASolla.Optimalbraindamage[M].MorganKaufmannPublishersInc.1990.SrinivasS,BabuRV.Data-freeparameterpruningforDeepNeuralNetworks[J].ComputerScience,2015:2830-2838.HanS,PoolJ,TranJ,etal.LearningbothWeightsandConnectionsforEfficientNeuralNetworks[J].MITPress,2015.LiH,KadavA,DurdanovicI,etal.PruningFiltersforEfficientConvNets.2016.MolchanovP,TyreeS,KarrasT,etal.PruningConvolutionalNeuralNetworksforResourceEfficientTransferLearning[J].2016.LuoJH,WuJ,LinW.ThiNet:AFilterLevelPruningMethodforDeepNeuralNetworkCompression[C]//2017IEEEInternationalConferenceonComputerVision(ICCV).IEEE,2017.WuJ,CongL,WangY,etal.QuantizedConvolutionalNeuralNetworksforMobileDevices[J].2016IEEEConferenceonComputerVisionandPatternRecognition(CVPR),2016.WenlinChen,JamesWilson,StephenTyree,KilianWeinberger,andYixinChen.Compressingneuralnetworkswiththehashingtrick.InInternationalConferenceonMachineLearning,pages2285–2294,2015.VanhouckeV,SeniorA,MaoMZ.ImprovingthespeedofneuralnetworksonCPUs[J].2011.GuptaS,AgrawalA,GopalakrishnanK,etal.DeepLearningwithLimitedNumericalPrecision[J].Computerence,2015.MatthieuCourbariaux,YoshuaBengio,andJean-PierreDavid.Binaryconnect:Trainingdeepneuralnetworkswithbinaryweightsduringpropagations.InAdvancesinNeuralInformationProcessingSystems,pages3123–3131,2015.LiF,LiuB.TernaryWeightNetworks[J].2016.DenilM,ShakibiB,DinhL,etal.PredictingParametersinDeepLearning[C]//NIPS.CurranAssociatesInc.2013.KimYD,ParkE,YooS,etal.CompressionofDeepConvolutionalNeuralNetworksforFastandLowPowerMobileApplications[J].ComputerScience,2015,71(2):576-584.De,Lathauwer,Lieven,etal.OntheBestRank-1andRank-(R1,R2.RN)ApproximationofHigher-OrderTensors[J].SIAM.J.MatrixAnal.&Appl.2000,21(4):1324-1342.IandolaFN,HanS,