Automated and Interpretable Patient ECG Profiles for Disease Detection, Tracking, and Discovery 笔记

论文来源：https://arxiv.org/pdf/1807.02569.pdf

1摘要

1.1背景：

ecg已使用100余年，在 心脏结构、心电活动 等大多数诊断检测表现优异。尤其是近四十年起源于探索式模型的自动解释方法；

1.3方法：

数据来源--36186条ecg数据来自UCSF数据库，包括正常窦性心律及用于训练特殊模型的心电图

目标--训练心脏结构、功能、疾病诊断的模型

          使用cnn网络及hmm模型进行ecg的切分工作（ecg segmentation），通过对比输出与有临床评估的141864个间隔进行比较

 

2材料与方法

2.1数据

本文使用UCSF的数据

2.2目的

开发一个自动、量化、可解释的方法 来描述 1）心脏结构 2）舒张功能 3）通过病人的ecg截面图诊断疾病

下图为主要结构图

工作流说明：

使用UCSF的数据中的子集训练用于评估心脏结构、功能以及诊断疾病的可解释模型

ECG的分区能够用于计算标准生理区间，然后使用输出结果与 MUSE/UCSF 参考数据进行比对验证

一致性较好的ECG用于生成725维的疾病级别心电轮廓向量，使用梯度提升模型训练回归和分类模型；

会检验各模型，生成潜在的主要特征

各模型使用的ecg数量有所不同，数值显示在各模型的小括号中

疾病诊断模型中，斜杠前为目标疾病数量，后为总ecg条数

原文如下：

2.3心电图数据介绍

标准12导联心电图，来自2010年-2017年uscf的MUSE ECG数据库，数据格式为XML；

送终选取了36186条超过十秒的12导联记录

60%数据记录频率为500HZ，40%数据记录频率为250HZ

每一条临床ECG记录最初由GE软件进行分析，数据解释性由UCSF的心脏学家进行确认和修正

 

2.5卷积神经网络ECG切分

训练数据，来自两个数据源 112ecg来自PTB疾病诊疗数据集，58条来自UCSF数据集。每一条ECG提取两秒的步长并手动标注六种（P波、PR节段、qrs混合波、st节段，t波、tp节段），使用网络结构如下

使用的网络结构基于U-net 网络，使用12*2000的向量作为输入，由32个卷积层、5个池化层、3个反卷积层组成的收缩和扩张结构，最终的输出是一个ecg切分分类向量，与输入数据长度相等

细节：本文中的网络基于U-net结构，但有所改变，输入为一维的向量，架构由“卷积区N”( "Convolution Blocks N" )组成，也就是用3个连续的1*N的卷积核组成的卷积层，同时使用相同的padding过程；输入为2000*12的图形（12导联各自抽样200个像素点），进入这种收缩扩张过程中。

在收缩和扩张过程中包含七个“卷积区”，大小包括 1*19,1*15,1*11三种；，收缩功能由2*2的最大池化层实现；五个卷积块后出现扩张节段有8*8的反卷积层（ deconvolution layer ）与一个2*2的反卷积层实现，中间还包括两个卷积块。连接一个12*1的卷积层结合12导联数据成为一个一维特征向量，再次进入第二个收缩扩张部分，最终连接一个1*9的卷积层输出一个6类分区的输出，所有扩张过程的反卷积层输出都会concate相同维度的卷积块输出

优化过程使用的ADAM优化器 初始学习率为1E-5，batch-size为5，权重衰减为1E-7，最后一个卷积层使用0.5的dropout，迭代次数500次，用时4小时。

2.6 使用隐马尔可夫模型增强ecg切分效果

尽管u-net提供了精准的切分，但无法使用ecg各节段的顺序关系，例如ST节段紧跟qrs波后，T波紧跟ST节段后

因此增加第二个模型--hmm，使用u-net的输出作为输入，从而提升切分

hmm四要素：所有状态的全集，本文中指各种类型的节段；各种状态的基线概率；状态间的转移矩阵；发射概率矩阵

hmm模型控制了噪声输入数据，例如U-net的输出，很多样例中的位置被赋予错误的标签，这些错误的分布不是均匀分布，例如在tp节段有事可以被解释为一个心的p波，但绝不能在tp节段存在一个QRS混合波

我们将使用手工分区数据训练基线概率以及转移概率，从U-net输出学习发射概率