1.2 研究现状及发展动态分析
(1)研究现状分析
ECG显示心肌的规则收缩和放松的心脏的电活动,是心脏疾病诊断中最常用的信号之一。ECG波形由五个基本波P,Q,R,S 和T波以及一个小的U波组成。P波代表心房去极化,Q,R和S 波通常称为QRS 波群,代表心室去极化,T波代表心室复极。ECG波形的分析是诊断各种心脏异常的基础,ECG信号分析的最重要的部分是QRS 复合波的形状。QRS 复合波代表了心脏活动的去极化状态。正常心脏跳动是非常规则的,并且心房去极化总是跟随心室去极化。心电图作为电信号,易受不同种类的噪声的影响。这种噪声的主要来源是其他身体肌肉的电活动,包括因呼吸产生的基线漂移,电极的不良接触产生的肌电漂移,以及各种电子设备的电磁干扰产生的噪声。所有这些都可能损坏ECG并导致错误的诊断,ECG信号去噪已成为医疗工程的一项非常重要的任务。由于ECG是非平稳信号,正常的滤波器不能有效去除噪声。目前存在可用于去噪声信号的不同技术,例如文献[1]提出了带通滤波器,文献[2]采用了自适应滤波器,文献[3]提出整体平均技术扩展卡尔曼滤波器去噪,文献[4]提出经验模式分解和小波去噪。尽管这些方法中的一些已经在信噪比(SNR)方面表现出良好的性能,但是它们对参数变化过于敏感。
ECG特征值是心电信号分析处理的主要目标之一。QRS 复合波和R峰的检测方法目前比较成熟,有多种方法在不同的系统得到应用。文献[5]使用了具有移动平均滤波的自适应阈值法,文献[6]使用了基于Shannon 能量和希尔伯特变换的方法,文献[7]使用了基于经验模态分解(EMD)的R峰检测方法。每种方法都有自己的优点和缺点。在心脏心律失常的情况下,人的心脏的电活动可能比正常信号更慢或更快。因此,在诊断系统中需要区分正常和异常信号,这有助于心脏病专家检测心律失常。目前已经开发了用于分析ECG信号的不同的智能系统,并且使用各种检测算法来分析处理问题。与ECG心律失常分类相关的主要研究是基于小波变换(WT)进行神经-模糊分类,小波分析对于ECG信号的正确分类起着非常重要的作用。
人工智能和统计方法已经进入高级诊断阶段,可以用来识别心律失常。特征选择(FS)在ECG模式识别系统的模型训练和测试中起重要作用,FS 技术的目的是识别主要特征并消除噪声或可分配特征。文献[8]提出一种诊断系统能够使用人工神经网络和模糊逻辑的混合模型,从ECG数据中分类心律失常,已经实现了基于小波包树(WPT)分类器(用于QRS 复合的检测)的算法,用于自动实时ECG数据的比较研究。使用小波包树分析,可以更精确地获得ECG的特征波的幅度和持续时间。在ECG信号中的报警特征的识别,对于充血性心力衰竭(CHF)的预测是极其重要的。使用计算机辅助技术进行的ECG信号分析可以加快诊断过程并有助于CHF患者的正确管理。文献[9]提出了基于双树复合小波变换(DTCWT)的方法来自动识别正常显示CHF的ECG信号,基本实现了CHF和正常ECG信号的自动区分。许多研究者通过心率变异性(HRV)评估和ECG信号检测技术检查CHF的患者。文献[10]开发了一种新的ECG模式识别方法,该方法可以在处理ECG信号中,选择显性特征,并且以较低的特征维度实现更好的分类性能。经验模态分解(EMD)是一种基于数据驱动的非平稳信号处理方法,避免了繁琐的选择参数任务,不需要任何先验知识。EMD方法在机械故障诊断和生物医学数据分析方面的优先级已被验证。在过去几十年中,已经开发了用于ECG分析和心律失常检测的多种方法来提高检测的准确度和灵敏度。最近基于人工神经网络进行ECG信号分析也得到广泛运用,这项技术使用各种神经分类器将ECG信号数据真实地分为两类(异常类和正常类)。文献[11]提出了一种新颖的混合神经网络结构的分类方法划分ECG节拍,并划分出十种典型的ECG节拍,算法达到96%的准确性。文献[12]使用SVM和粒子群优化对具有高精度的ECG信号进行分类。检测来自心电图或ECG信号的R峰信号,在心脏监测系统和ECG应用中起着至关重要的作用。在文献[13]中,提出了基于总变差去噪(TVD)的方法来找出ECG信号中R峰的位置。使用TVD方法的一个优点是它保留了信号中的尖锐斜率或峰值。因此TVD方法用于R峰检测问题具有明显优势。在研究文献中,许多新的算法被开发出来并应用于ECG信号的检测和分割。这些算法中有一些使用线性或非线性滤波,还有一些算法使用信号变换以检测QRS 波群。Pan Tompkins提出的滤波算法,是一种基于带通滤波(BPF)来识别QRS 波群的算法,以减少ECG信号中的误检测。Yeh 和Wang提出了一种简单可靠的线性方法——差分操作方法(DOM)来检测QRS 复合波。实际上,随着硬件环境的改进,更多的算法使用变换,例如小波变换。文献[14]提出了使用ECG信号对冠状动脉疾病(CAD)的自动诊断,灵活的分析小波变换(FAWT)技术用于分解ECG信号,并使用通过第五级分解的ECG心跳定位CAD异常。文献[15]指出Morlet小波的分类准确度更高,此类方法用于大规模心脏筛查,并可以帮助心脏病专家进行诊断。
(2)发展动态分析
①深度学习
自从2012 年AlexNet神经网络模型提出以来,深度神经网络(DNN)得到突破性发展。残差网络模型(ResNet)提出,卷积神经网络(CNN)的深度可以达到1000 层以上。CNN网络通过反向传播梯度训练所有滤波器组中的权值,通过合成较低层次的特征来获得较高层次的特征,从而学习具有多个抽象层次的数据表示。因此深度卷积神经网络也被定义为“深度学习”(deep learning,DL)[16]。深度学习在图像、视频、语音和音频处理方面取得了突破性进展。深度学习方法极大地提高了语音识别、视觉目标识别、目标检测以及药物发现和基因组学等许多领域的技术水平。深度学习能够识别模式并从原始输入数据中学习有用的特征,而不需要大量的数据预处理、手工编制的规则。随着训练数据量增加,深度学习模型与理论的发展,基于GPU的高效并行网络框架的出现,深度学习的功能越来越强大。现在深度学习已经进入大众日常生活,如微信、支付宝的“刷脸支付”,淘宝的“拍立淘”等。但是深度卷积神经网络是高度可并行化的算法,需要计算能力与存储空间支撑,把深度学习转移到可穿戴设备仍然充满挑战。(https://www.daowen.com)
近年移动终端开始普及,深度学习领域内也在努力促使神经网络向小型化发展。中国科学院自动化研究所程健等提出基于参数量化的深度卷积神经网络的加速与压缩方法。现在业内已经提出了ShuffleNet,MnasNet以及MobileNet等轻量级网络模型,这些模型使移动终端、嵌入式设备运行神经网络模型成为可能。Andrew G.等人于2017 年提出高效轻量级深度卷积网络模型Mobile-NetV1,首次采用了深度可分离卷积方法加快卷积运算速度,在确保精度的前提下将资源消耗降低了一个数量级。2019 年,Andrew Howard 等人进一步提出了具有更高效率的轻量级深度卷积网络模型MobileNetV3。随着这些技术的进化与革新,深度学习已经具备迁移到移动设备的理论基础。
②深度医疗
对医学图像的解释大多数都是由医生进行的,然而医学图像解释受到医生主观性、医生差异认知和疲劳的限制。用于图像处理的典型深度学习架构由一系列卷积网络组成,与人脑中的低级视觉处理一样,卷积网络检测提取图像特征,然后将提取的特征向量映射到候选者,以检测实际病变的概率,从而实现对医学图像的自动解释。深度学习已经显示出巨大的科学价值与应用前景,世界各地的医学图像处理机构已经迅速进入该领域。近年来深度学习方法应用于各种医学图像分析,取得了专家级的分类效果。皮肤癌是最常见的人类恶性肿瘤,但皮肤病实现自动分类是一项具有挑战性的任务。《自然》期刊发表文章指出,深度学习在皮肤癌分类与识别方面具有与所有被测试专家同等的性能,其能力水平堪比皮肤科医生。深度学习强劲推动医疗数据分析快速增长,社会开启“深度医疗”模式。
③深度ECG
ECG智能化诊断在许多临床应用中已作为医生解释的重要辅助手段。然而,现有的商用ECG解释算法仍显示出较高的误诊率。ECG大数据普及与人工智能发展相结合,为ECG智能分析诊断提供了机会。当前DNN主要用于ECG解释的工作,如噪声降低或特征提取,或者有限的诊断任务,如检测少数几种心跳类型(正常、心室或心室上异位、融合等)或心律诊断(最常见的是房颤或室性心动过速)。由于缺乏足够的训练数据,DNN应用受到了一定限制。文献[17]提出了一种全局可更新的分类方案,称为全局递归神经网络(GRNN)。采用递归神经网络(RNN)来研究心电信号的基本特征,选择信息量最大的节拍,并将其输入训练集,系统会随着训练集的增长而更新。文献[18]提出将心电信号经过经验模态分解(EMD),再与高阶固有模态函数(IMFs)组合形成一个修正的心电信号,处理后的信号输入CNN进行分类识别,实验结果显示精度有一定的提高。文献[19]提出了一种结合卷积神经网络和极限学习机(ELM)的心电自动分类方法,该方法表现出了良好的泛化能力。文献[20]利用短时傅立叶变换将心电信号转换为时频信号,然后作为数据输入训练多个不同尺度的深度卷积神经网络。文献[21]提出了一种基于卷积神经网络与长短期记忆网络ECG自动分类方法。文献[22]提出一种结合卷积神经网络和递归神经网络(CNN和RNN)的端到端模型自动检测心房颤动(AF)的方法。以上这些方法虽然取得了进步,但是在精度上始终难以达到心脏病专家级的水准。
随着深度卷积神经网络能力的提高,深度学习已经成为ECG检测与分类的主要手段。文献[23]提出了一种基于深度学习的ECG分类方法,重点是筛查和鉴别阵发性心房颤动(PAF)患者,该方法以大量原始心电时间序列数据作为输入,通过自动学习PAF特征,正确率有明显提高。文献[24]提出了一种基于深度学习的集成网络模型识别ECG,其实验结果表明,集成网络的识别性能比单一网络的识别精度高0.8%。文献[25]提出了一个用于充血性心力衰竭诊断的11 层深度卷积神经网络模型,其测试结果表明,特异性和敏感性分别为99.01%和98.87%。《自然》期刊[26]提出了一种基于深度神经网络对动态ECG进行分类诊断的方法,该方法对心律失常平均正确预测值为0.837,超过心脏病学家的平均正确预测值0.780。这表明深度学习实现ECG分类识别的水平已经接近心脏病专家级别,深度ECG将带来全新的智能生活。
综上所述,深度学习理论和技术逐步成熟,深度医疗得到推广应用,深度ECG技术正在提高,可穿戴智能设备是未来深度学习的发展方向,可穿戴深度ECG将给我们带来智能医疗与智能生活的革命。在项目组已有研究基础上,本书以可穿戴设备ECG为研究目标,研究深度卷积神经网络的压缩与加速,掌握ECG滤波与特征检测技术,创建一个53 层的多分辨快速深度卷积神经网络模型,实现可穿戴深度ECG学习。拓展可穿戴深度ECG的理论,提高可穿戴深度ECG技术,具有重要的社会价值与科学意义。