【AI赋能医学】基于深度学习和HRV特征的多类别心电图分类
一、数据集简介
论文中使用了来自三类不同心电图记录的162条数据，这些数据来自三个公开的数据库：
MIT-BIH 心律失常数据库 (ARR)
96条记录，主要包含不同类型的心律失常样本。
MIT-BIH 正常窦性心律数据库 (NSR)
36条记录，包含健康人的正常心电图信号。
Beth Israel Deaconess Medical Center 心力衰竭数据库 (CHF)
30条记录，包含充血性心力衰竭患者的心电图。
所有心电图信号都来自导联II和VI，并且经过统一处理，将采样频率调整为128 Hz，消除了偏移效应。每条心电图信号都由心脏病专家手动标注，确保了数据的准确性。
再次说明：
该方法的有效性通过162条心电图（ECG）记录进行测试，这些记录分为三类：心律失常（ARR）、充血性心力衰竭（CHF）和正常窦性心律（NSR）。这些记录来自以下公共数据库：
MIT-BIH 心律失常数据库
MIT-BIH 正常窦性心律数据库
Beth Israel Deaconess Medical Center 心力衰竭数据库
数据集包含：
96条心律失常记录
30条心力衰竭记录
36条正常窦性心律记录
所有心电信号均来自导联II和导联VI，并且经过重新采样，统一为128 Hz的采样频率，以确保数据一致性并消除偏移效应。每条记录都由多位心脏病专家进行了手动分析和标注。
二、模型实现步骤
按照以下步骤进行模型实现：
- 数据预处理
信号归一化：将心电图信号标准化，消除偏移效应。
特征提取：
提取基于心电图（ECG）的特征，如RR间期、P波、QRS波等。
提取基于心率变异性（HRV）的特征，如时域和频域特征。
重新采样：将所有信号重采样至128 Hz。 - 模型结构
特征组合：将心电图特征与HRV特征结合，作为多类别分类模型的输入。
深度学习模型：使用深度学习框架（如CNN、LSTM等）自动提取特征。论文中建议使用卷积神经网络（CNN）处理心电图信号，并结合心率变异性特征进行分类。
分类模型：利用一个全连接层进行多类别分类，模型的输出对应ARR、CHF和NSR三类。 - 模型训练
使用训练集对模型进行训练，优化损失函数（如交叉熵损失函数）。
采用K折交叉验证来评估模型的性能。 - 模型评估
使用准确率、灵敏度、特异性等评价指标评估模型性能。
对ARR、CHF和NSR三类心电图数据进行多类别分类，检查模型的泛化能力。 - 实现步骤
使用Python、TensorFlow、Keras等深度学习库实现模型。
将数据集分为训练集和测试集，进行训练、评估。
参考
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10542398/
https://www.mdpi.com/1424-8220/23/3/1697