（四十六：2021.08.17）《医疗物联网单导联心电波心房颤动检测研究》

讲在前面

• 一.笔者最近来搞心电信号了，当前算法框架就参考的这篇论文，来钻研一下这篇论文。说真的，搞ecg的人真的太少了；
• 二.我设计了几种字体颜色用于更加醒目地表现关键的思想和主题：
  • 红色表示尚未理解透彻的一些概念
  • 蓝色表示对原来的理解做的一些修改或补充
  • 绿色表示此处需要参考的论文其他部分
  • 橙色表示本文的重要关键字
  • 紫色表示后续更新的内容
  • 我会用删除线将自己曾经不到位的理解进行删除

摘要

最近医疗物联网的进步使得连续的心率监测成为了一种时尚。ECG的单导联信号通过可穿戴服饰进行收集，同时通过一些智能的方法对心率进行自动识别。单导联的信号和其他一般的ECG信号不同，因为它具有很高的噪声、干扰，同时确实其他导联通道的信息。最近几年提出了很多通过单导联信号进行识别的算法。这篇论文系统的调查了从单导联ECG信号中反映房颤的SOTA级别的方法，展示了一些相关问题的数据库和性能算法，收集了数据预处理和特征提取的方法，同时对相关机器学习和深度学习方法进行了整理和摘要。特别要说的是，我们重新回顾了数据预处理的技术，并且罗列了最通用且高效的特征，这些都可以帮助开发者去进一步实现AF监测算法。最后，我们讨论了一些在AF识别上可能有用的想法。

1.介绍

CVDs指的是一些与心脏和血管相关的疾病，包括冠状动脉疾病、心脏衰竭、中风、心律失常和心肌病。根据WHO的数据，全世界每年有1790万人死于心血管疾病，尤其是美国，2016年84万人死于心血管疾病。而欧洲2017年则有390万人死于心血管疾病，而欧盟则有超过180万人，比例达到了45%和37%。临床病例证明了心律异常是最常见的心脏疾病，常见的心律异常包括室性早搏、房性早搏、房颤（AF）。其中，房颤最容易导致死亡，因为它与心脏病风险的增加是相关的，比如中风、心脏衰竭和冠状动脉血管疾病。从某方面讲，AF可以被认为是死亡和疾病发生的间接原因。之前的研究表明AF患病几率会随着年龄的增加而增加，85岁及以后的患病概率可增加至15%。所以，AF的早期检测筛查对于心脏病的防御和治疗是非常重要的，可以进一步减小心血管疾病的死亡率。
在AF检测领域，ECG是最常用的诊断工具。广泛使用的ECG设备包含了10个电极，其中6个被放置在胸部上（从V1到V6），而其他的电极会放在腿上和胳膊上，如图一所示：
图一：

因为需要电极对来构建波形，12导联的ECG因此被生产出来。特别的是，导联I、II、III和aVR、aVL、aVF是从位于胳膊和腿上的四个电极产生的，而另外六个则由胸部电极产生。在过去的一个世纪，这种导联信号在诊断AF上是一种重要工具。但是，很多AF病人通常是无症状的或者是仅有些非典型症状，这些都增加了AF检测的复杂度。因为房颤发作的一些属性，AF的检测要求使用一些设备进行长期的ECG跟踪，但是要把12导联的ECG设备或者可植入的设备穿戴变成一种时尚是不可能的。而且可植入设备的造价昂贵。得益于一些信号收集和数据挖掘技术，利用可穿戴设备进行舒适的ECG信号收集成为了一种备选方案。使用手指的多个点来创建单导联轨道，可插入的设备就可以收集到单导联ECG信号，然后通过网络进行传输，从而进行监测和分析。而现实环境中，医疗物联网就是一个将可插入设备、云端、客户端通过安全网络进行整合的有效工具，同时促进了安全的生理数据的收集，如图二所示：
图二：

最近几年，通过单导联信号推理是否有患房颤是一个火热的主题，多数人都相信它可以在未来为人提供智能健康服务。但是将12导联的AF检测算法用于单导联上，还缺乏实现。考虑到这个问题，CINC2017提出了从单一的简短的ECG单导联信号（30-60s）中检测AF的竞赛，这个竞赛已经提出了很多算法，也鼓励更多的人参与。
通常，基于特征提取的异常分类算法包括四个步骤，分别为：数据预处理、特征提取、特征选择和分类。值得注意的是特征提取和特征选择能够被保存进深度学习算法。整个检测的步骤图像化表示在图三中：
图三：

数据预处理是第一步，目的是去除噪声，同时为特征提取提供一个干净的信号。然后，特征提取技术会将信号转换为特征向量，一些特征就会用于进一步分类。在这篇论文中，我们给出了当前AF单导联检测的SOTA级别方法的调查结果和一些影响模型最终结果的两点。为了更加综合的进行调查，我们通过下面一些关键词进行了搜索：“‘single-lead ECG”、“‘‘atrial fibrillation”、“‘machine learning”、“‘deep learning”、“‘‘survey”、“review”。然后再通过不用关键词，根据内容摘要筛选，我们共搜索到了100篇相关论文。
这些论文的贡献摘要如下：

• (1) 数据的预处理方法很全面，可以给进行ECG单导联信号处理的研究人员一些指引；
• (2) AF领域最常用最有效的特征提取算法被列了出来，这样能很好的增强模型的精度；
• (3) 提出了一些可能改善模型精度的潜在想法。

除此之外，这片论文其他的部分的内容安排如下：

• Section 2 介绍了本文的预备知识，包括所讨论的 AF 检测问题的公式、数据库和性能指标;
• Section 3 回顾了一些数据预处理的技术；