基于可解释虹膜信息的心律异常检测：采用多核光子脉冲卷积神经网络及边缘部署

《Neurocomputing》：An Explainable Iris-Based Heart Abnormality Detection Using Multi-Kernel Photonic Spiking CNN and Edge Deployment

　　

# 摘要

心脏疾病是全球主要死亡原因之一。尽管虹膜学通过其无创分析为诊断疾病提供了有价值的信息来源，但其主观性和缺乏标准化阻碍了临床应用。本研究提出了一种利用虹膜图像检测心脏异常的新框架，该框架由多核中心对称约束光子脉冲卷积神经网络（MCPSCNN）和修改的三角拓扑聚合优化器（MTTAO）组成。该系统提取判别性特征并优化网络参数以提升性能。基于海象的对比度受限自适应直方图均衡化（WCLAHE）增强了虹膜图像中的感兴趣区域，而LIME和SHAP确保了模型的可解释性。所提出的框架结合了光子脉冲启发的、事件驱动的计算机模型以提高处理效率。当前实现在传统边缘计算平台上进行了评估，而物理光子硬件验证仍属未来研究方向。所提出的模型达到了99.30%的准确率、99.14%的精确率、99.07%的灵敏度和99.48%的特异度。尽管虹膜特征与心脏异常之间的关联尚未得到临床验证，但该框架为探索基于虹膜的心脏异常检测提供了一种透明度更高的计算工具。

# 引言

心血管疾病仍然是全球男性和女性死亡的首要原因，对人民生命构成严重威胁，并对医疗机构造成巨大压力[1]、[2]。由于缺乏足够的医疗设施和专业人员来应对这一局面，心脏病也是中低收入国家最常见的死亡原因之一[3]、[4]。早期诊断有助于通过确保合理用药和降低医疗成本来减轻这些疾病的影响。

虹膜通过约28,000条神经连接各个器官，作为大脑与身体其他部分之间的通道；因此，它有助于疾病的早期诊断[5]、[6]。尽管虹膜中某些特征的存在与心血管疾病（CVDs）之间并不存在确定的关系，但虹膜学[7]——即对虹膜的结构、颜色、图案和纹理进行分析[8]——已被替代医学用于诊断各种疾病，包括心脏病。尽管已知虹膜学在有效诊断各种疾病方面发挥了作用，但它因过于主观且缺乏科学证据而受到批评，导致诊断结果不一致和误诊[9]、[10]。因此，使用虹膜图像进行心血管分析被归类为探索性研究，而非成熟的临床诊断程序。应用计算智能技术来研究基于虹膜图像的心血管特征，其目的并非取代心电图（ECG）或超声心动图等成熟的临床程序，而是识别可用于定义虹膜基础分类的特征。

然而，人工智能技术的最新进展为将虹膜学与科学方法相结合提供了契机。在此背景下，本文提出的技术将MCPSCNN与MTTAO结合，用于从虹膜图像中检测心脏疾病。虽然传统虹膜学依赖于主观的人工解读，但新方法采用自动特征提取、优化和可解释人工智能，实现对虹膜图像的计算机辅助分析。这种将传统虹膜学与最新机器学习技术相结合的方式，使得无需了解虹膜特征与疾病之间关系的信息即可客观地诊断心脏疾病成为可能。

本研究提出了一种非侵入性、低成本的虹膜图像计算机分析方法。该框架通过使用自动特征提取、基于优化的学习和LIME与SHAP的模型可解释性，解决了传统虹膜识别中的多个问题。然而，仍需要使用更大的、经确诊心血管疾病患者数据集进行进一步研究，以评估该模型在实际医疗环境中的潜在应用价值。

- MCPSCNN的开发是该领域最重要的突破之一。由于MCPSCNN在使用不同核的同时保持中心对称条件，并结合光子脉冲机制，它为基于心血管疾病评估的心脏异常检测提供了一种新技术。
- 高级预处理技术，如霍夫变换（HT）、Daugman弹性薄膜模型（DRSM）和基于直方图阈值提取感兴趣区域（ROI），提高了在虹膜中定义心脏区域的准确性。WCLAHE和LPER等新技术能够恰当地表示特征，同时不破坏数据结构。
- 本研究中使用了LIME和SHapley加性解释（SHAP）方法来提高MCPSCNN的可解释性。这意味着该技术能够为局部区域和特征归因提供解释。
- 还开发了一个Web应用程序界面，以支持实时预测、可视化和交互。

文献中已有几项研究聚焦于基于虹膜学的心脏疾病检测，探索特定虹膜模式与各种心脏疾病之间的潜在关联。

Mehmood等人[11]开发并提出了CardioHelp，这是一种利用卷积神经网络（CNNs）预测患者发生心血管疾病概率的新方法。Kumar等人[12]使用支持向量机（SVM）开发了一个早期心血管疾病检测模型，根据体征、症状和医学观察对患者进行分类。Kumar等人[13]提出了一种结合CNN和SVM的虹膜图像检测模型，用于检测心脏异常，旨在以最低成本实现早期检测。Kavitha和Kaulgud[14]提出了加速用于距离计算的无监督机器学习算法。Ozblgin等人[15]提出了一种通过虹膜检查诊断健康问题的新技术。Paithane等人[16]在先前研究的基础上，经过多个阶段提出了基于虹膜的心脏疾病检测模型。

Babu和Pinjari[17]开发了一种自适应虹膜识别系统，应用霍夫变换与K-Means聚类（HT-KMC）分割以及E-Faster-RCNN进行识别过程。Kadhim等人[18]开发的同步时空线性判别模型（SSLDM-Iris），通过结合时空属性在分类过程中引入了更大的稳定性。类似地，Borza等人[19]提出了ASTN用于眼周识别，以促进在不同条件下通过对齐进行特征提取。此外，Khaki[20]使用RCNN-UNet进行虹膜分割，提高了效率和抗噪声及遮挡的鲁棒性。相比之下，Mohammed等人[21]提出了多模态生物特征认证框架（MMBAF），在网络层面基于多种生物特征强化访问控制系统。Tian等人[22]引入了基于增量学习的视觉分析系统（ILVAS）用于网络异常检测。一项现有研究探讨了应用深度学习系统检测糖尿病视网膜病变（DR）的各种形式[23]，而另一项研究考察了人工智能在糖尿病治疗中的现状与未来前景[24]。一份综述提出了2022年糖尿病视网膜病变分析挑战赛（DRAC）在光学相干断层扫描血管造影测试方面的基准[25]，同时提出了TMM-Nets用于诊断狼疮视网膜病变[26]。其他研究评估了DeepDR在诊断DR方面的效率以及用于青光眼筛查中视盘和视杯分割的模糊广义学习方法[27]、[28]。

近期研究开发了先进的医学图像分类技术和高效的深度学习框架，以改善分类性能、可解释性和可靠性。研究人员开发了基于可解释人工智能的医学图像分类框架（XAI-MICF），通过识别对模型决策有贡献的临床相关图像区域来增强透明度[29]。不确定性感知的深度学习框架（UADLF）旨在估计预测置信度，并在模糊条件下提高自动诊断的可靠性[30]。开发了一种高效的基于卷积神经网络的分类模型（ECNN-CM），用于优化特征提取并降低计算成本，同时不损失分类性能[31]。提出了一种注意力驱动的基于Transformer的医学图像分析网络（ADT-MIAN），用于检测判别性空间关系，并在复杂成像场景中提供稳健的解决方案[32]。轻量级自适应深度学习框架（LADLF）通过简化模型复杂度并保持预测能力来提高医疗应用的效率[33]。可解释的不确定性引导学习框架（EU-GLF）通过整合医学图像分析中的可解释性和置信度估计而开发[34]。然而，这些发展在多模态特征表示、计算效率、不确定性处理和全面可解释性方面仍存在局限性。

关于基于虹膜学的心脏疾病研究，文献中尚无相关研究，而现有相关工作往往面临不准确性和低收敛率等问题。这些挑战大大影响了传统虹膜学方法在患者诊断中的有效性。为了解决这些挑战，开发了MCPSCNN方法。

本文的组织结构如下：第2节介绍方法论，构成研究的核心概念。第3节实验结果和第4节讨论呈现结果并展开讨论，对方法论的结果进行分析。第5节呈现结论性陈述。

## 章节摘要

### 基于虹膜学的心脏异常检测所提出的方法

来自MMU虹膜数据集的输入图像经过多种预处理程序，包括虹膜定位、归一化和感兴趣区域提取。这确保了在分析图像中的心脏异常迹象时保留相关数据。ROI校正程序通过应用WCLAHE技术来提高对比度。特征提取使用LPER方法提取显著特征，同时保持低秩结构。MCPSCNN用于异常检测。

### 实验结果

本节从参数设置和用于评估指标的数据集开始，然后将MCPSCNN的排名与其他技术进行比较。尽管MCPSCNN在MATLAB中实现，但其设计目标是与其他方法相比提高性能。MCPSCNN的参数设置采用恒定的学习率调度，即训练过程中学习率保持不变。具体来说，优化期间学习率固定在0.01。模型训练了50个周期。

### 讨论

整体性能分析表明，所提出的MCPSCNN方法在准确率、效率和鲁棒性方面表现卓越。该方法达到了99.30%的准确率、99.14%的精确率、99.07%的灵敏度和99.48%的特异度，高于其他方法，如CNN（97.06%）和CNN+SVM（98%）。本研究使用消融研究分析了每个部分的贡献，其中完整的MCPSCNN达到了99.30%的准确率，而基线模型仅为91.2%。

### 结论

本研究开发了一种新颖的MCPSCNN框架，并使用MTTAO方法进行优化，用于基于虹膜的心血管评估。输入虹膜图像通过WCLAHE进行了增强，并通过LPER提取了判别性特征，同时保留了重要的结构信息。优化的特征表示和模型参数调优提高了分类性能。所提出的框架通过LIME和SHAP增强了透明度，以识别与相关影响特征相关联的内容。

### 遵守伦理标准

1. **潜在利益冲突披露**：作者声明没有潜在的利益冲突。
2. **动物和人类权利声明**：本研究使用公开发布的虹膜图像数据集，未涉及招募人类受试者、动物实验或生物干预。因此，本计算分析的伦理批准不适用。
- **i. 伦理批准**：不适用。本研究未涉及人类受试者、动物实验或任何生物干预。

### 资金

本研究未获得公共、商业或非营利部门资助机构的专项资助。

### CRediT作者贡献声明

K Kumar：指导。Chakkaravarthy Theeban：概念设计。

### 利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。

### 致谢

无

### 作者简介

B Theeban Chakkaravarthy出生于印度本地治里，他在本地治里大学获得电子与通信工程学位及B.Tech学位，在安纳大学金奈分校获得计算机与通信工程M.E学位，并在本地治里理工大学担任研究学者。自2006年起从事教学工作，他是印度技术教育协会和电子与电信工程师学会的终身会员。

B Theeban Chakkaravarthy | K Kumar