《Biomedical Signal Processing and Control》：Dyskalemia detection based on wavelet scattering features and deep learning models: A comparative analysis
编辑推荐：
Dyskalemia检测通过ECG信号分析，比较传统小波变换（CWT/DWT）与波let时间散射（WTS）结合ML/DL模型效果，结果显示DWT-CNN-LSTM准确率达96%，WTS方法虽抗噪但准确率较低，传统小波方法结合深度学习更优。
Sabrine Abassi | Hela Mahersia | Youssef Zied Elhechmi
利比亚民主党 - IDEA（人工智能、数据工程与应用）迦太基大学比泽特分校理学院，Zarzouna 7021，突尼斯
摘要
钾代谢紊乱是一种以钾水平异常为特征的疾病，对心血管健康构成重大风险，尤其是对心脏功能有显著影响。心电图（ECG）分析是一种无创的检测方法，而信号处理的最新进展结合机器学习（ML）和深度学习（DL）模型，有潜力提高检测准确性。
本文研究了两种利用ECG信号检测钾代谢紊乱的自动化方法。第一种方法采用传统的小波技术进行特征提取，具体包括连续小波变换（CWT）和离散小波变换（DWT），随后使用ML和DL模型进行分类。CWT与支持向量机（SVM）分类器的组合准确率为93%，而CWT与AlexNet模型的组合准确率为84%。DWT与K最近邻（KNN）结合时准确率为83%，使用混合卷积神经网络-长短期记忆（CNN–LSTM）模型时准确率提高到96%。
第二种方法利用小波网络，特别是小波时间散射（WTS）进行特征提取。WTS与SVM分类器结合时准确率为83%，与CNN–LSTM模型集成后准确率提高到85%。
本研究对这两种方法进行了全面比较，结果表明DWT，尤其是与CNN–LSTM结合使用时，能够始终获得最高的准确率。虽然基于WTS的方法对噪声具有较好的鲁棒性，但其较低的分类准确率表明仍有进一步优化的空间。我们的研究结果表明，基于小波的特征提取方法结合ML和DL模型，为诊断钾代谢紊乱提供了一种可靠的方法，并具有重要的临床应用潜力。
引言
钾代谢紊乱包括高钾血症和低钾血症，指的是钾（K+）水平的严重失衡，这会严重干扰各种细胞和生理过程。这些失衡对神经肌肉、胃肠道尤其是心脏功能构成重大风险[1]。因此，早期检测和及时管理钾代谢紊乱对于预防不良临床后果至关重要[2]。
虽然通过血液检测血清钾水平仍是诊断钾代谢紊乱的金标准，但在急性或紧急情况下，这种方法可能不可行，因为需要快速诊断。在这种情况下，ECG是一个实用的替代方案，因为钾的异常会导致ECG波形出现明显的变化，尽管有时这些变化很微妙。例如，低钾血症通常表现为T波 flattening、ST段压低和QT间期延长[3]，而高钾血症则通常表现为T波尖峰，在严重情况下会出现正弦波模式，随后可能引发室性心律失常或心脏骤停[3][4]。尽管这些ECG特征具有诊断价值，但手动解读可能具有挑战性，尤其是在检测早期或轻度钾代谢紊乱时[5]。
然而，尽管基于小波的方法在ECG分析中得到广泛应用，但在系统比较经典小波技术（CWT、DWT）和基于小波网络的方法（WTS）用于钾代谢紊乱检测方面仍存在关键差距。大多数现有研究仅关注其中一种方法或深度学习模型，而没有充分探讨它们的互补潜力。本研究旨在通过全面比较这些特征提取方法，展示它们在提高分类性能方面的单独和组合效果，从而填补这一空白。
为了解决这个问题，本文的结构如下：第2节回顾了钾代谢紊乱检测和基于ECG的钾水平估计的相关工作。第3节描述了材料和方法，包括数据集细节和预处理技术。第4节介绍了特征提取方法。第5节报告并分析了实验结果。最后，第6节讨论了研究结果，并提出了未来的研究方向。
相关研究
为了解决这些问题，已经开发了基于ECG波形估计血清钾水平的计算模型，特别关注T波形态。高钾血症通常与T波尖峰相关，而低钾血症则常导致T波幅度平坦或降低[6][7]。尽管当前模型在连续监测（如血液透析）方面显示出潜力，但其验证主要局限于小规模、同质的数据集
数据描述
本研究使用的数据集最初由Lin等人提供，作为ECG人机竞赛[10]的一部分。该数据集专门用于评估机器学习算法从12导联ECG数据中识别和诊断心血管疾病（如钾代谢紊乱）的能力。数据集包含300个10秒的ECG记录，采样率为500 Hz，每导联有5000个数据点。根据飞利浦记录系统，记录的信号是原始ECG数据
特征提取方法
特征提取阶段对于利用ECG信号自动化检测钾代谢紊乱至关重要。这一阶段将原始ECG记录转换为有价值的特征，随后由ML和DL模型用于分类。本研究采用了两种主要的特征提取方法：传统的小波技术和先进的小波网络技术。整个特征提取过程如图4所示。
获得的结果
在本节中，我们展示了所实现的机器学习模型（包括SVM、KNN和随机森林）的性能，并评估了它们在检测钾代谢紊乱方面的有效性。此外，我们还分析了深度学习模型（如CNN–LSTM混合模型）的结果，强调了它们在提高检测准确性方面的贡献。同时详细讨论了每种方法的优点和局限性，以提供对其临床适用性的见解。
讨论
本研究的结果表明，基于小波的特征提取方法（即连续小波变换（CWT）、离散小波变换（DWT）和小波时间散射（WTS）在通过ECG信号增强钾代谢紊乱检测方面是有效的。传统的小波方法和小波网络都使用了机器学习（ML）和深度学习（DL）分类器进行评估，揭示了它们各自的优缺点。
本研究的一个主要贡献是
作者贡献声明
Sabrine Abassi：撰写——原始草稿，概念构思。Hela Mahersia：撰写——审阅与编辑，方法论。Youssef Zied Elhechmi：验证。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
