最近开始做一个新的项目,使用深度学习来优化传统的心律失常预测算法
因为自己也是初涉这个方向,所以学习开始的第一步就是了解背景知识。
基础词汇
心电图(Electrocardiogram,ECG)
:指心脏在每个心动周期中,由起搏点、心房、心室相继兴奋,伴随着生物电的变化,通过心电描记器从体表引出多种形式的电位变化的图形。简单来说心电图就是利用心电图机从体表记录心脏每个心动周期所产生的电活动变化图形的技术。
心电图原理
:心脏各部分在兴奋过程中出现的生物电活动,可通过心脏周围的导电组织和体液传到体表。将测量电极置于体表的一定部位,即可检测出心脏兴奋过程中所发生的电变化,这种电变化经过一定处理记录下来,便成了心电图。
心电图导联
:将记录心电图时电极在人体体表的放置位置及电极与放大器的连接方式称为心电图的导联。导联方式分为肢体导联和胸导联。我的理解,简单来说就是把电极和人体相连接的方式(比如将我们人的左上肢电极和心电图机正极相连,右上肢电极和心电图机的负极相连,这样就是一种导联方式,这是I导联,还有II导联,III导联等等),通过这种将人体表面电极和心电图的电极相互连接的方式我们可以测得心电。
需要注意的是 不同导联方式得到的心电图也是不一样的
,国际上是有12导联体系。我们最常用的导联是其中的标准导联,又叫做双极肢体导联,反映两个肢体之间的电位差。关于导联方式如果有不理解的,可以自行百度再看看
心律失常数据库
:国际上比较出名的公共心律失常数据库是MIT-BIH,链接在这里:https://www.physionet.org/physiobank/database/mitdb/
这个数据库我之后训练数据会用到,等到那个时候再专门写笔记介绍它。
心律失常识别和分析流程
我的最终目标是利用深度学习的方法来完成心律失常的识别。所以在这个过程中,我们需要做四个步骤:
预备: 心电信号的采集
这个不用多说,就是指我们通过传感器设备来采集人体的心电信号。
第一步:心电信号的预处理
虽然我们现在采集到了人体的心电信号,但是此时的心电信号中包含许多噪音,所以采集到心电信号之后,
我们接着要做的最重要一步就是去除心电信号中的噪声干扰,这就是心电信号预处理的核心。
第二步:心电信号的特征提取
我们用神经网络或者说其它机器学习方法来做识别,都是需要有特征来训练的。所以这一步的关键就是,我们如何从心电图的波形中选取代表性特征来描述心电信号,从而作为我们训练算法的输入。 同时,由于心律失常是有多个类型的,所以选用合适的特征来作为不同心律失常类别的判别,就非常重要啦
第三步:利用算法训练模型,完成心律失常的分类
这一步就是指我们选用算法(比如深度学习,SVM等等之类)来对第二步中所选到的心电信号特征进行模型训练,从而完成心律失常的判别。
总的来说,流程如下
图片来源:可穿戴式心电监测模块的心律失常分类算法研究.硕士论文