随时随地诊断疾病!使用可穿戴设备上的心电图诊断心律失常的拟议模型！（英文）。

医疗 17/05/2022

三个要点
✔️ 通过可穿戴设备对心电图（ECG）信号进行心律失常的诊断，在医学领域的临床时间序列数据中受到越来越多的关注。
✔️ 在这项研究中，提出了一个轻量级的神经网络--KecNet--来设计一个适用于有资源限制的可穿戴设备的DL。
✔️ 评估结果显示，正确率--ACC--、灵敏度--SEN--和符合率--PRE--分别为99.31%、99.45%和98.78%。%，以及。

KecNet: A Light Neural Network for Arrhythmia Classification Based on Knowledge Reinforcement
written by Peng Lu, Yang Gao, Hao Xi, Yabin Zhang, Chao Gao, Bing Zhou, Hongpo Zhang, Liwei Chen, Xiaobo Mao
(Submitted on 24 Apr 2021)
Comments: J Healthc Eng

本文所使用的图片要么来自论文、介绍性幻灯片，要么是参考这些图片制作的。

背景

可穿戴设备能高度准确地预测心律失常吗？

本研究旨在建立一个资源限制下的心律失常分类模型，该模型基于可穿戴设备的心电图采集。

在具有高死亡风险的心脏疾病中，尤其是心律失常被认为是最常见的，是中风和心脏死亡的主要原因。在这种情况下，心电图--ECG--已成为检测心律失常的常用工具，因为它是非侵入性的，易于测量；另一方面，心律失常的特点是随机发生，需要对病人进行长期监测。-导致处理大量心电图的费用巨大。因此，不产生这些成本的可穿戴设备正在吸引人们的注意，人们对利用这些设备的心律失常诊断系统寄予厚望，希望它能降低处理成本并提高心律失常分类的准确性。

在这种情况下，基于DL的心电图分类算法正在引起人们的注意。心律失常的自动识别利用了心跳的特征，而这些特征受个体差异的影响很大，可能会导致错误--因此，能够构建考虑到这些特征的分类模型的DL引起了人们的注意；另一方面，DL有一个问题，即模型的性能取决于网络的大小。-网络规模越大，性能越好；因此，现有的DL算法可能不适合可穿戴设备，因为可穿戴设备在计算能力和内存容量方面都有限制。因此，有必要建立能够在资源有限的环境中运行的轻量级网络。

在使用可穿戴设备的基础上，提出了一个基于心电图信号的轻量级DL架构--KecNet。所提出的方法的特点是：引入了一个基于数字信号处理的CNN网络--Sinc convlution，以使其适应各种应用；利用基于心电图特征的临床知识的额外参数。

什么是可穿戴设备？

本节简要介绍了作为本研究分析对象的可穿戴设备。

可穿戴设备是对实际由主体穿戴的信息设备的总称。可穿戴的意思是可穿戴的或可佩戴的，有腕带/手表和眼镜类型。因为这些设备实际上可以佩戴，所以它们可以用于日常生活的许多方面，从运动到洗澡和睡觉--它们对记录运动，如慢跑和游泳，以及捕捉健康信息，如心率、脉搏和睡眠时间都很有效。它被认为是

技术

本节介绍了本研究中提出的模型。

目标函数

在提议的模型中，对优化问题进行了一个带有参数调整的学习步骤--见下面的方程式。

f(∗, θf)：模拟数据和标签之间的映射的函数；θ：与映射f相关的参数；L：描述将预测类别分配给具有标签y(i)的样本的损失的函数。

在相关研究中，最主要的方法是增加网络中的层数，以提高分类模型的性能，并增加非线性操作--增加表达能力；然而，这种方法存在三个问题：首先，从层数的增加来看，对网络中的参数，增加了模型存储的难度和计算的复杂性；第二，模型深度的增加会导致梯度损失--导致参数更新的无效；第三，为了防止模型的过度训练，大量的训练数据是必需的。因此，在不增加模型复杂性和训练数据的情况下，有可能实现基于浅层网络的更好分类性能。在这项研究中，相关的领域知识被引入到卷积神经网络--CNN的设计过程中：利用带通滤波器的振幅-频率特性来过滤心电图信号中的噪声；和提取心电图数据中的额外参数作为特征。

拟议模型

建议的模型--见下图--包括以下内容：数据的分割和规范化；将分割后的数据输入KecNet--建议的模型；集成的特征向量是插入softmax分类器中。

心电图是心肌不同部位电活动的混合物--因此，根据数据的质量，可能包含几种类型的噪声，包括基线漂移、运动伪影和肌电干扰。在此背景下，CNN第一个卷积层的优化非常重要--该层负责直接处理原始心电图并协助后续卷积层对数据进行复杂的非线性表示。在这项研究中，我们介绍了一个为语音识别而开发的Sinc-卷积层：该层是基于带通滤波器设计的参数化正弦-Sinc-函数构建的。传统的CNN学习滤波器的所有参数，而Sinc-convolution--见下文--定义并学习一个可预先调整的滤波器组g。

与CNN相比，Sinc-convolution的特点是频率响应的高选择性--它从复杂的信号中提取特定频率范围的成分，具有提高鲁棒性和可读性的效果。

节奏特征中的符号表示。

在离散时间序列的分析中，序列往往被转换成实用的符号以简化分析过程。在这种情况下，变异系数--CV--代表了RR间期的分散程度，用来衡量RR间期的规律性：由于R峰在心电图中也很突出，RR间期的特征是耐受噪声的。因此，在所提出的模型中，除了旨在提取空间形态特征的CNN结构外，优化还将CVs添加到网络中，作为节奏特征的符号表示--这使得具有异常节奏的心电图更容易被识别。

结果。

本节介绍本研究中的评价。

模型性能

拟议方法的性能--见下表--证实了Sinc卷积的性能优于标准卷积。此外，与具有相同结构的CNN相比，参数减少了约80%。这也证实了节奏变化系数使模型性能提高了1-1.5%。

减少资源

参数收益--下面的公式--被用来作为资源减少的一个指标。

其中，PC：参数的数量。在标准的CNN中，PC随着L--过滤器长度的增加而增加，而在Sinc-卷积层中，PC总是恒定的；因此，L越长，KecNet就越能减少PC：。与标准CNN相比，KecNet的PC降低了80%。

KecNet的分类性能也与经典的CNN--GoogleNet、MobileNet和SqueezeNet进行了比较，见下表。结果显示，KecNet的分类性能优于SqueezeNet和MobileNets，但低于GoogleNet；而PC评估显示，KecNet比SqueezeNet和MobileNet好约50%，而减少了约80%。

稳健性

在这里，白噪声被添加到数据中，以研究KecNet的鲁棒性：模型的准确性与信噪比--SNR--从0到60dB的变化是目标。

结果显示，所有模型的准确度都随着信噪比的提高而趋于增加；而随着信噪比的降低，除拟议模型外，其他模型的检测准确度都有所下降--从而表明拟议方法比传统的CNN更加稳健。

考虑

这项研究着手设计一个用于资源受限的可穿戴设备的DL，并基于领域知识建立了一个轻量级的神经网络--KecNet。

虽然近年来使用可穿戴设备的诊断模型在患者数量不断增加的心律失常疾病方面引起了关注，但这些设备的资源限制导致需要在有限的计算资源下提高准确性。在这项研究中，提出了一个用于心律失常分类的学习模型，用于具有这种限制的可穿戴设备。这个模型的特点有两个方面：引入物理上可解释的Sinc-卷积，减少CNN中的参数数量；在网络中加入节奏变化系数--澄清Shallow-CNN中的相关特征。提高网络性能和临床实用性。评估结果在MIT-Bih心律失常数据集上用心电图数据进行了训练和测试：ACC、SEN和PRE的评估结果分别为99.31％、99.45％和98.78％。神经网络的规模缩小了，对噪音的鲁棒性也得到了改善。

另一方面，挑战包括：需要用真实数据进行验证；在可穿戴设备中引入心电图。在这项研究中，评估是基于从数据库中获得的数据集--因此，该系统在实际临床实践中的有效性尚不清楚。因此，在未来，应收集真实病人的心电图记录并加以注释，以针对更多类型的疾病分类。此外，由于目前带有心电图的可穿戴设备数量有限，因此有必要开发、测试和改进可安装在这些设备中的心电图系统的性能。