基于高级深度学习技术及多种特征提取机制的元启发式辅助心律失常分类模型

《Computational Biology and Chemistry》:A Meta-Heuristic Aided Arrhythmia Classification Model Using Advanced Deep Learning Technique with Multiple Feature Extraction Mechanisms

【字体: 大 中 小 】 时间:2026年02月03日 来源:Computational Biology and Chemistry 3.4

编辑推荐:

  Jay Raval|V. N Kamalesh|Rajkumar Patra印度古吉拉特邦甘地讷格尔大学甘地讷格尔理工学院计算机科学与工程系,邮编382721 摘要 心律失常对人类生命构成严重威胁,因此准确诊断至关重要。目前有多种方法可用于识别心律失常,但大多数技术仍依赖于心电

  Jay Raval|V. N Kamalesh|Rajkumar Patra印度古吉拉特邦甘地讷格尔大学甘地讷格尔理工学院计算机科学与工程系,邮编382721

摘要
心律失常对人类生命构成严重威胁,因此准确诊断至关重要。目前有多种方法可用于识别心律失常,但大多数技术仍依赖于心电图等数据源。医疗专家通过心电图进行的手动评估往往不够准确。一些研究致力于利用人工智能提升分类模型的准确性与速度,并改进模式检测能力。然而,传统方法存在两大局限:模型需要较长的训练时间,且特征选择依赖人工操作。为此,本文提出了一种基于深度学习的心律失常分类模型,用于识别异常心跳。首先从标准数据源获取所需信号,进而提取三种不同类型的特征以实现高效自动分类。首先通过条件自编码器提取深层特征,作为特征集1;接着从输入信号中提取波形特征和频谱特征,作为特征集2;随后将信号转换为频谱图,再利用图卷积神经网络从这些图像中提取特征集3。之后通过集成特征融合技术将三组特征结合在一起,作为最优密集递归神经网络带注意力机制的输入,用于心律失常分类。此外,还通过巨犰狳优化算法的增强随机值来优化模型参数,进一步提升分类性能。该模型有助于确定具体类型的心律失常。最后,将所提模型与其它传统模型进行仿真对比分析。

引言
心律失常是一种影响心脏功能并可能导致严重健康问题的心脏疾病(Islam等人,2024)。准确识别和分类心律失常对于有效管理患者和治疗而言极为重要。心电图是一种广泛使用的无创手段,用于监测心脏功能(Kumar等人,2023a)。它能提供有关心脏电活动的关键信息,被广泛应用于多种心脏疾病的分类。心律失常的分类过程涉及对复杂的心电图信号进行分析,并根据其特征识别特定类型的心律失常(Chen等人,2023)。准确识别心律失常已成为专家们关注的重点(Li等人,2023a)。尽管经验丰富的心脏病专家和临床医生在手动识别心律失常时效率较高,但其结果仍可能不够准确。实际上,有研究表明,这些专家有时会误判心律失常类型(Aldughayfiq等人,2023)。在长时间的心电图记录中,危险的心律失常往往容易被忽略,因此迫切需要廉价、可靠且自动化的筛查工具。这类系统能够实现持续监测,及时发现异常心跳,从而避免心力衰竭或中风等致命并发症(Admass和Bogale,2024)。目前的深度学习模型在处理心脏心律失常方面还存在不足。为克服这一问题,有研究采用混合海洋捕食者与游牧民族优化算法优化深度卷积神经网络,以提高分类精度并减少计算量,同时通过预处理消除噪声并优化特征提取,从而提升模型的临床应用价值(Ramkumar等人,2023)。此外,由于验证过程中需要大量数据,数据缺失的概率相对较高(Kumar等人,2023b)。因此,亟需一种能够自动区分正常与异常心电图信号的装置,帮助医生更精准地识别心脏心律失常。

研究人员开发了一种基于机器学习模型的优化多阶段筛选方法,用于心电图心律失常检测,并通过加权优化提升性能。评估指标包括准确率、精确率、召回率、特异性和F1分数。结果表明,鲸鱼优化算法和粒子群优化算法均能产生出色的优化结果,使各项性能指标都有显著提升(Mahajan和Kaul,2024)。心律失常的分类在很大程度上取决于特征提取的质量以及为心跳分类选择的最优特征集。计算机辅助诊断技术旨在提高心电图解读的准确性并降低成本(Singh和Mahapatra,2024)。物联网设备可通过远程监测、持续跟踪和早期警报来简化心律失常的检测流程,但手动分析心电图进行分类仍然既耗时又繁琐。而基于物联网收集的数据运用机器学习的自动化系统则能提供比传统方法更准确的诊断结果(Almasoud等人,2023)。过去,人们通常通过提取工程化特征,再结合朴素贝叶斯、随机森林、K最近邻和支持向量机等机器学习模型来对心电图信号进行分类(Sharma等人,2023)。虽然这些模型效率较高且易于理解,但医疗专家手动提取领域特征的工作十分繁琐,易出错且具有主观性(Soman和Sarath,2024)。正因如此,人们越来越重视利用深度学习技术实现心律失常的自动化分类。

心电图是一种重要的诊断工具,可通过表面电极记录心脏的电活动。它被广泛用于识别和诊断心脏心律失常,即异常心跳。诊断方法依赖于心电图波形中的特征模式(Ansari等人,2023)。心律失常分类模型通常采用机器学习和深度学习等先进技术,以实现精准的自动识别和分类。心律失常可根据其起源和心率分为快速性心律失常(如室上性心动过速和心房颤动,以及室性心动过速)和缓慢性心律失常(如窦性心动过缓和房室传导阻滞)。第三类为异位搏动,包括室性早搏和房性早搏等异常搏动,会扰乱正常的心跳节律(Ullah等人,2020)。典型的自动心律失常分类模型包含四个阶段:信号采集用于获取原始心电图数据;预处理用于去除信号中的噪声和干扰;特征提取用于识别和量化相关特征,主要分析指标包括R波峰间期、QRS波形态和波形等;最后通过机器学习算法将心电图信号分类为正常窦性心律、室性早搏、左束支传导阻滞和心房颤动等多种类型(Faust等人,2021)。总体而言,这种自动化系统旨在提高诊断准确性,减轻人工解读的负担,并实现实时监测,以便及时发现危及生命的状况。不过仍存在一些挑战,而一种新的深度学习方法则有望解决这些问题,实现异常心跳的精准自动分类。该方法旨在进一步提升检测心律失常的精度和自动化水平。

目前,深度学习技术在利用心电图信号信息自动诊断心律失常方面已展现出巨大潜力(Ansari等人,2023)。高效强大的深度学习策略的应用能够提升心律失常分类的准确性和效率,从而为患者提供更好的治疗方案(Ullah等人,2020)。尽管现有研究在利用深度学习进行心律失常分类方面已取得显著进展,但仍存在一些常见问题。首先,现有技术往往难以有效捕捉心电图信号中复杂的空间模式,尤其是那些具有多重尺度的模式(Faust等人,2021)。其次,这些技术无法把握各特征之间的相互关系,从而导致大量重要信息的丢失,而这些信息本可提升诊断的准确性。此外,大多数技术将时间依赖性视为单向关系,未能充分考虑未来情境的影响(Ozpolat和Karabatak,2023)。最后,类别不平衡是许多心电图心脏疾病数据集中普遍存在的问题。这些问题凸显出迫切需要一种创新方法,既能处理时间维度与空间维度的问题,又能解决类别不平衡问题。心肺耦合现象也具有重要意义,因为心率的变化与呼吸节奏同步可能是心脏疾病的早期预警信号。例如,呼吸时心跳正常波动幅度减小被称为呼吸性窦性心律不齐,这表明心脏自主神经功能出现异常。这种耦合度下降会增加心力衰竭和突发心脏死亡等严重疾病的风险。有时,这些心肺耦合的变化甚至会在传统的心率变异性指标出现之前就显现出来。为此,本文提出了一种新的心律失常分类模型,用于测量心率变异性,从而提升诊断效果。

研究假设
将元启发式优化算法与先进的深度学习技术及多种特征提取方法相结合,能够显著提升自动心律失常分类模型的效率和稳定性。为从原始心电图信号中获取更全面、更具关联性的信息,本文采用了多种特征提取方法,包括条件自编码器、波形与频谱特征提取技术以及图卷积神经网络算法。这些方法提取的特征将为后续的研究提供基础。

研究与优化策略相关的研究问题
以下是关于心律失常分类框架中特征融合与优化策略的相关研究问题:
RQ1:哪种元启发式算法最适用于优化特征融合过程?
RQ2:该算法中需要调整哪些超参数?
RQ3:在特征层面应用优化策略是否比现有方法能获得更好结果?
RQ4:该特征融合策略在哪些数据集上表现良好?
RQ5:其计算成本如何?

相关研究
2023年,Ahmed等人(Daydulo等人,2023)提出了一种基于一维卷积神经网络的心律失常分类深度学习框架。该技术通过原始信号和含噪声信号进行训练与分析,旨在解决现有心电图在心律失常诊断中因事件随机性和噪声干扰而导致的错误和误诊问题。为进一步研究该技术……

信号采集
用于诊断心律失常的心电图信号来自以下数据集:
数据集1(“Arrhythmia”):可通过链接“https://archive.ics.uci.edu/dataset/5/arrhythmia”,访问日期为2024年9月23日。该数据集可用于判断是否存在心律失常,属于多变量数据集,包含452个样本和279个特征,共279个属性,可将心律失常分为16类。
数据集2(“ECG Arrhythmia”)……

基于适应度的随机因子调整的理论依据
对GAO算法的随机因子进行基于适应度的调整,可通过自适应控制搜索参数,在探索与利用之间实现更佳平衡。GAO算法中的种群规模Npop表示在问题空间中寻找食物(蚁丘/最优解)的巨犰狳个体数量。足够的种群规模能够同时探索多个区域,类似于多个个体共同工作的方式。

数学建模概念
对GAO算法进行基于适应度的修改,需要一个数学函数,根据个体的表现动态调整探索与利用参数。该修改后的算法不再使用固定的随机范围来确定探索范围,也不再仅依赖迭代次数来确定利用因素,而是将解决方案的适应度值映射到动态随机范围或概率分布参数上。GAO算法的方程也被相应修改,以替代固定的随机值Bror。

特征集1:条件自编码器
近年来,人们致力于提取多种特征,以提高自动心律失常分类的效率。与此同时,人们还开发了高灵敏度的信号放大型生物传感器,用于检测生物液体中低浓度的微小RNA分子标志物(Lei Li等人,2025)。这些特定的微RNA标志物与心肌炎及其他相关心脏疾病的诊断和监测密切相关。微RNA传感器结合了酪胺信号……

循环神经网络
RNN模型(Jun等人,2020)是一种结构简单却功能强大的机制,能够处理序列数据。RNN技术依靠隐藏状态这一学习要素来有效处理序列数据。在训练过程中,隐藏状态会根据序列数据的当前状态和历史信息不断更新。循环层的解被指向某个方向,而隐藏状态则被定义为gr。此处,r∈{1,…,R}。仿真设置:采用了Python来设计心律失常分类框架。所提出的ARGAO算法是通过使用10个种群、4种染色体长度以及50次最大迭代次数来开发的。对于该心律失常分类框架的性能评估,是结合了现有的算法以及基准模型,如Dwarf Mongoose Optimization(DMO)(Agushaka等人,2022年)、Dark Forest Algorithm(DFA)(Li等人,2023b年)等。讨论:现有研究表明,Formononetin(FMN)(Yanyan Zhang等人,2024年)有可能成为治疗心肌无再流现象的潜在药物,因为它能够通过重塑肠道微生物群来改善大鼠模型中的这一状况。在心肌无再流大鼠模型中,FMN治疗能够提升心脏功能,并通过降低TNF-?和NF-κB等炎症基因的表达来减少炎症,同时还能增加有益的抗炎细菌数量,减少促炎细菌的数量。结论:本研究通过运用基于集成特征融合的深度学习策略,提出了一种新的心律失常分类系统。首先,从数据源中获取输入的心电图信号,然后将其送入特征提取阶段。在这一阶段,首先借助条件自编码器获取第一组深度特征,接着从输入的心电图信号中获取包括频谱特征和波形特征在内的第二组特征。此外,心电图信号……CRediT作者贡献声明:V. N Kamalesh:数据整理。Jay Raval:数据整理。Rajkumar Patra:数据整理。利益冲突声明:作者们声明不存在任何利益冲突。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号