Return to site

日常心电监护和神经网络对心律不齐的识别

· 神经网络

​本文提纲:

  1. 心电监护的背景
  2. 日常生活场景监护和对分析算法的需求
  3. 神经网络在心电分析中的优点、我们取得的成果

心电监护的背景

心电图(ECG或者EKG)是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术,在临床诊断心血管相关疾病中得到了广泛的应用。

在医院检查心电图时,最常用的是12或18导联(即在全身不同部位放置10或16个电极),采集多路电信号综合分析。这种方法的优点在于数据采集全面,医生可以综合多个不同位置的心电图形态对疾病做较为准确的推断,但缺点在于病人不可能长时间佩戴10或16个电极,因此只能反映心电检查这一刻的健康情况,无法用于捕捉日常生活中转瞬即逝的临时性心电异常。

那么日常生活中“转瞬即逝”的临时性心电异常是否存在?基于现有医学研究,这种现象是存在的。例如对于房颤(Atrial fibrillation),虽然部分病人会出现持续性房颤,但是同样存在部分病人仅在部分时间出现,随后又自行中止[1]。进一步,通过对MIT-BIH Arrhythmia数据库[2][3](一个公开的心律不齐数据库)做分析,我们发现大部分心律不齐现象从出现到消失的时间都在1s左右,称得上转瞬即逝。下图中红色是一次典型的早搏过程,采样率为360采样点/s,早搏在出现1s左右就消失了。

那么对于这些只出现较短时间的心律异常现象,如何捕捉呢?医学界已经发明了动态心电图(ECG Holter)技术[4],用户佩戴相对便携的设备,连续纪录24小时的心电信号,在此期间,除了不能剧烈运动,一般对日常生活无干扰。为了便捷性,动态心电图放弃了12导联,而只需要少量电极记录少数几路(常见为2路)心电波形。在完成24小时测量后,医生在计算机辅助下完成分析和诊断。

日常生活场景监护和对分析算法的需求

动态心电图是一种医疗器械,临床上需要医生决定是否使用,测量结果需要医生参与分析,使用费用不菲,不适合作为日常保健。同时,动态心电图是一种事后分析手段,在房颤或其他心律不齐发生时,用户并不能立刻得到指示信号并做出反应,例如休息、服药、及时就医等。

针对动态心电图的上述限制,目前市场上有很多公司开始探索更方便、易用的日常心电检测和分析手段。此类新技术设备形态各异,从使用特殊材料的心电服装、手机壳、手环、手表到形似创可贴的贴片都有涉及,这些产品或者连续记录数天到数周的心电数据,或者根据使用者需要随时测量一分钟左右的心电信号。

当这些方便易用的前端设备采集到长时间心电信号后,如何分析信号就成了摆在应用面前的一大难题。如果每一条数据都请医生介入分析,需要消耗大量的医生资源,成本将居高不下,难以普及。此前动态心电图设备虽然开发了一些计算机辅助分析程序,但如前所述,这些程序是事后分析,无法在心律不齐事件发生后快速给出判断;同时这些程序泛化性有限,针对某个心电采集位置设计的算法往往不容易应用于身体其他部位采集的心电信号,而一套可用的算法开发周期以年计算,比较难适应新型心电采集设备的要求。

基于神经网络的心电分析和识别算法

针对上述现状,我们将神经网络技术引入心电信号的分析,通过训练得到神经网络,用于心电信号准实时识别。即在日常生活中,随时采集信号,随时向用户提示风险。

在训练数据来源上,我们一方面从公开数据库获取业界公认的数据和标签,另一方面也使用我们自研的手表、手环等各种形式的心电采集设备采集到的数据。这些数据通过数据清洗,特征提取(这一步本身也由神经网络实现),进而进入心律不齐专用网络中,判断是否存在心律不齐以及属于哪一类心律不齐。

在学习方法上,为了确保分析结果可靠,我们引入了主动学习机制。对于机器判断难以确定的波形,引入心血管专家人工判断,用人工判断的结果校正机器训练。实践证明,人工校正不超过1%的数据,对于模型整体可靠程度会有较大的提升。

在给定足够的训练样本的条件下,神经网络可以快速学习出复杂的规则,因此可以适应新型心电监护设备对于算法的需求,在相对较短的开发周期产出灵敏性和特异性都达到可接受水平的方案。

接下来我们以房颤分辨为例,用图形的方式说明在高维空间上神经网络是如何将房颤和正常心跳节律分辨开的。

在神经网络处理前,我们将房颤(红色)和正常(蓝色)两类数据通过PCA分析降低到3维,在3维空间中获得如下图形

从中可以看到,

  1. 除了一个维度的坐标范围是[4,8.5],其余两个维度坐标范围都在1e-15及以下,说明原始数据的主成分集中在一维
  2. 红色和蓝色混杂分布,考虑到上一点提到的一维分布,不易区分

其中第一点可以进一步图形化说明,将PCA降维之后强度最强的一个维度的分布画出来,如下所示。这里为了避免红色和蓝色点重叠,将红色点的纵坐标向上移动一个微小距离,将蓝色点的纵坐标向下移动一个微小距离。

从上面的一维分布图来看,红色和蓝色存在大量的交叉区域,仅仅依靠PCA找到的最强的一个维度,不可能得到性能较好的分类器。

神经网络处理之后,使用同样的PCA分析技术,在3维空间得到的分布如下

对比原始数据的分布,上图可以看出两点

  1. 3个维度的取值范围接近,说明神经网络将此前集中在1维的数据成功的扩展到3维空间,数据点之间的距离加大,分类面可以更好的将这两类数据分开
  2. 红色数据的集中度明显提升,这样分类的难度就会大幅下降,分类精度提升

虽然以上图这个角度,肉眼看红蓝两色在一些区域还有重叠,但考虑到这是3D图,通过旋转等手段可以看到这些点只是在视觉的投影方向重叠,其本身在3维空间并没有重叠。同时,3个维度的取值范围都很大,神经网络已经可以在这些点之间生成灵活的分类面,实现高精度(Precision和Recall都达到99%以上)的分类器

总结

日常心电监测对于发现短暂心律不齐现象有着非常重要的作用。利用神经网络技术训练出的模型可以实现心电信号的自动化辅助分析和识别,帮助使用者及时了解心跳节律异常,提示使用者及时就医,避免发生严重心血管风险。

参考文献

[1] https://en.wikipedia.org/wiki/Atrial_fibrillation

[2] Moody GB, Mark RG. The impact of the MIT-BIH Arrhythmia Database. IEEE Eng in Med and Biol 20(3):45-50 (May-June 2001). (PMID: 11446209)

[3] Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark RG, Mietus JE, Moody GB, Peng C-K, Stanley HE. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation 101(23):e215-e220 [Circulation Electronic Pages; http://circ.ahajournals.org/content/101/23/e215.full]; 2000 (June 13).

[4] https://en.wikipedia.org/wiki/Holter_monitor

All Posts
×

Almost done…

We just sent you an email. Please click the link in the email to confirm your subscription!

OKSubscriptions powered by Strikingly