综述:运用深度学习与机器学习,结合时间域、频谱域及非线性分析框架来研究心血管疾病:一项系统综述
《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》:Leveraging Deep and Machine Learning for Cardiovascular Disease Using Time, Spectral, and Non-linear Analysis Framework: A Systematic Review
【字体:
大
中
小
】
时间:2026年07月20日
来源:ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING 12.9
编辑推荐:
心血管疾病是当今全球主要的死亡原因之一,每年都有数百万人因此丧生,这凸显了早期精准诊断技术的必要性。心电图是一种无创的生物电势记录方法,通过体表电极来捕捉心肌信号。心电图有助于尽早发现电生理学上的异常,从而降低与心血管疾病相关的发病率和死亡率。这类分析最重要的特点在于能够准确判定
心血管疾病是当今全球主要的死亡原因之一,每年都有数百万人因此丧生,这凸显了早期精准诊断技术的必要性。心电图是一种无创的生物电势记录方法,通过体表电极来捕捉心肌信号。心电图有助于尽早发现电生理学上的异常,从而降低与心血管疾病相关的发病率和死亡率。这类分析最重要的特点在于能够准确判定QRS波群中的R峰,进而提取出诸如心率变异性等有价值的生物标志物。心率变异性分析既包括线性方法(时域和频域分析),也包括非线性方法(熵值分析、分形分析),这些方法有助于理解自主神经调节与心脏功能之间的复杂关系。随着计算智能的发展,机器学习与深度学习彻底改变了心脏病学领域中基于无创数据驱动的诊断方法。本综述探讨了当前最先进的机器学习及深度学习模型——包括监督分类器、卷积神经网络以及长短期记忆网络——用于检测QRS波群、提取心率变异性特征并分类心脏事件。同时,文章还讨论了若干关键问题,包括信号采集过程中的变化、模型的可解释性、跨场景泛化能力以及临床应用前景,这些问题对于缩小算法进展与实际可用诊断工具之间的差距至关重要。在预处理阶段,他们使用了四阶巴特沃斯带通滤波器(0.5–40?Hz)和陷波滤波器来去除基线漂移、电源线干扰等噪声。之后,对心电信号进行平方处理以增强QRS波群,再通过斜率、增量平均斜率以及RR间期时间,利用自适应阈值识别R峰。通过信号导数、自适应阈值和趋势分析,还可以检测出每个R峰周围的Q点和S点。文献[47]提出了一种用于在含噪心电信号中检测QRS波群的自适应正则化数值微分方法。该方法结合了小波去噪、基于自适应加权蒂霍诺夫正则化的数值微分、希尔伯特变换以及自适应阈值处理,以此增强QRS波群并抑制噪声。文献[48]提出了结合小波CNN自编码器和ConvLSTM的机器学习模型,用于检测可穿戴设备采集的心电信号中的QRS波群。通过巴特沃斯滤波器(截止频率为5?Hz)抑制低频噪声,从而消除基线漂移。该研究采用了两阶段小波CNN自编码器来提升含噪心电信号中QRS波群的检测精度:第一个自编码器使用3级Symlets 4小波与CNN结合进行去噪,第二个自编码器则使用3级Daubechies 3小波来优化QRS波群的梯度特征。ConvLSTM则结合了CNN(用于空间特征提取)和LSTM(用于时间建模),最终实现QRS波群的检测。文献[49]提出了一种基于1D卷积神经网络及验证模型的方法,用于在质量较低的心电图信号中准确检测R峰。该研究将R峰检测视为1D分割问题,采用基于1D CNN的编解码器架构,输出标记R峰位置的脉冲序列。文献[50]提出了一种专为可穿戴心电传感器设计的、具有较强鲁棒性的QRS波群检测与R峰识别算法。该方法通过使用自适应的左侧和右侧阈值来提高检测精度,随后还采用了QRS看门狗机制,通过回溯功能查找缺失的R峰以提高系统稳定性。最后,根据信号的锐度和邻近性来识别原始心电信号中的R峰。文献[51]提出了一种变分模态分解方法,可用于同时检测心电信号中的R峰并抑制噪声。该研究通过两阶段VMD处理去除低频噪声(基线漂移),并增强QRS波群。在此方法中,带宽控制参数(\(\alpha\))和模态数量(\(K\))会被优化,以实现最佳分解效果。希尔伯特变换则用于通过识别平滑后的香农能量包络中的零点来定位潜在的R峰。文献[52]致力于开发基于现场可编程门阵列的硬件式心电信号QRS波群检测系统,并对其进行了性能评估。该技术包括预处理(降采样、带阻滤波去噪)、特征提取(导数运算、平方处理、移动平均)以及利用有限状态机进行QRS波群检测。该算法已通过Xilinx ISE 14.7和Modelsim 10.0工具进行了仿真与验证。文献[53]提出了一种高效的QRS波群检测方法,该方法结合了新型预处理技术以及基于峰度分析的方法,对于心脏疾病诊断具有重要意义。该方法的流程主要包括预处理和QRS波群检测两个阶段:在预处理阶段,首先使用两阶段中值滤波器消除基线漂移,再采用萨维茨基-戈莱平滑滤波器在不影响信号特性的前提下去除噪声。随后,计算心电信号的三次方以增强QRS波群,再通过萨乌沃拉阈值法确定等电位线(基线)。最后,利用均方根阈值来识别QRS波群区域。文献[54]的作者们提出了一种计算效率较高的QRS波群检测与R点识别算法,该算法专门针对单导联可穿戴心电设备设计,能够有效改善QRS波群片段的质量,减少P波、T波以及基线漂移现象,从而更准确地检测心跳信号。该技术主要包括四个关键步骤:心电信号更新(采用2秒滑动窗口)、信号增强(带通滤波与零和掩码处理)、QRS参考点检测以及R点识别(借助QRS波群模板)。文献[55]则结合层次聚类与离散小波变换技术,用于检测R峰和T波。文献[56]提出了一种适用于可穿戴心电传感器的、具有较高鲁棒性的QRS波群检测与R峰识别算法。文献[57]的作者们采用平稳小波变换技术来实现心电信号中QRS波群的检测。他们在使用频率为4–24?Hz的带通滤波器的基础上,结合粒子群优化算法,进一步提升QRS波群的特征表现并降低噪声水平。在MIT-BIH心律失常数据库上的测试结果显示,该方法的灵敏度达到99.83%,阳性预测率为99.94%,检测误差率为0.228%。文献[58]通过将信号导数与其幅度包络相结合,并运用形态学闭运算与最大最小滤波器来确定阈值,从而生成QRS波群的特征参数。文献[23]则提出了两种自适应算法,通过结合自适应阈值函数实现心电信号中QRS波群的实时检测。这种自适应阈值函数能够动态调整以应对噪声干扰,提升信号质量及心率变异性,进而提高检测精度。在MIT-BIH心律失常数据库(48条记录)上的测试显示,算法1的灵敏度为99.69%,特异性为99.66%,而算法2的灵敏度为99.74%,特异性为99.65%。文献[15]利用QRS波群的功率谱特性,提出了一种区分正常与异常心跳的检测方法。在该方法在MIT-BIH心律失常数据库上的测试中,灵敏度达到了99.64%,阳性预测率为99.82%。另有研究提出了一种更为优化的自适应阈值检测方法,用于从心电信号中识别QRS波群,这一进展对于心血管疾病的诊断具有重要意义。该方法的流程包括预处理、峰值检测、自适应阈值检测以及后处理四个基本阶段。在MIT-BIH心律失常数据库上的测试结果显示,该方法的检测率为99.41%,灵敏度为99.72%,特异性为99.69%。文献[59]提出了一种适用于低成本可穿戴设备的、用于在含噪心电信号中实时检测R峰的技术。该研究解决了噪声干扰(包括基线漂移、电源线干扰)以及心律失常问题,同时还能保持较低的计算负荷。在预处理阶段,该技术采用了阶梯式中值滤波器来消除基线漂移,同时还使用了动态切割线来去除噪声。随后,通过曲线面积法依据QRS波群的形态特征来识别R峰。在MIT-BIH心律失常数据库上的测试结果显示,该方法的灵敏度为99.54%,阳性预测率为99.60%。文献[60]提出了一种通过双导数预处理并结合有限状态机驱动的阈值自适应机制来增强QRS波群信号的方法。此外,还有许多研究致力于利用QRS波群检测技术来实现实时心电监测功能。文献[61]提出了一种专为医疗资源匮乏、治疗成本高昂的偏远地区设计的综合心脏监测系统。该系统包括心电信号预处理、QRS波群检测、特征提取、异常识别以及基于轮廓曲线的心跳分类功能。文献[62]则采用整数Haar小波变换来过滤心电信号,并在Digilent Nexys-4 DDR FPGA平台上检测QRS波群中的R峰频率。该设计便于直接集成到医疗设备中,或用于开发专门的生物医学物联网系统。文献[63]的作者们提出了一种基于卡尔曼滤波的自适应阈值检测方法,该方法适用于QRS波群检测,相比基于神经网络或其他变换域的方法,它具有更强的适应性,且计算成本和内存需求更低。将该方法部署在FPGA上后,可实现实时处理,其灵敏度为99.30%,阳性预测准确率为99.31%。文献[64]介绍了一种基于FPGA的实时心电监测与心律失常检测系统,该系统采用了源自潘-汤普金斯算法的QRS波群检测方法。该系统针对Xilinx ISE 14.2环境下的Spartan-3E FPGA(Nexys 2)进行了优化,其性能通过三项对比分析得到了验证,确保了系统的可靠性与有效性。文献[65]在MIT-BIH心律失常数据库和Fantasia数据库上的测试中,分别实现了99.82%和99.92%的灵敏度,以及0.31%和0.18%的检测误差率,显示出较高的检测性能。在预处理阶段,该方法先使用两个中值滤波器去除基线漂移(同时抑制P波和T波),再使用移动平均滤波器平滑信号(消除高频噪声)。文献[66]的研究则采用最大最小差值算法来检测QRS波群,该方法旨在实现对单导联心电信号的实时分析。在该研究中,他们采用了基于滑动窗口的策略,无需将整个信号存储在内存中即可实现实时处理,从而降低了计算复杂度。在五个PhysioNet数据库(包括MIT-BIH心律失常数据库、欧洲ST-T数据库等)上的测试中,该方法的灵敏度为99.62%,阳性预测率为99.67%。文献[27]开发了一种快速QRS波群检测算法,该算法适用于电池供电的心电设备以及长期监测场景,其实现手段包括带通滤波、平方处理、移动平均以及阈值处理技术。该研究的目的是开发一种计算效率较高的QRS波群检测方法,以便应用于实时监测及低功耗设备。文献[67]则采用相对能量增强滤波器(长窗口与短窗口的能量比)来实现QRS波群检测,该滤波器结合了带有两个自适应阈值的滞后比较器。文献[14]的测试结果显示,该方法的灵敏度为99.6%,阳性预测率为99.5%。该研究的重点在于利用小波变换自动划分心电信号的各个波段。文献[68]提出了一种基于1D U-Net的深度学习方法,用于识别心电信号中的P波、QRS波群、T波和U波。该方法的作者们还提出了一种后处理算法,用于过滤心电信号中多余的峰值。他们通过QT数据库对所提出的方法进行了验证,测试结果显示,该方法的平均灵敏度为98.45%,精确率为91.40%。尽管文献[69]提出了利用希尔伯特变换来检测R峰,但其检测效果并不理想,无法满足心电信号检测的需求。类似地,文献[70]尝试使用KNN算法来检测不同形态的心电信号中的QRS波群,但由于该方法存在缺陷,其检测结果并不具备临床应用价值。图1展示了心电信号QRS波群检测的整体结构。图1全尺寸图像QRS波群检测的结构尽管现有研究中关于R峰检测方法的性能已经相当优异,但QRS波群识别方法仍存在一些局限性,因此仍有进一步改进的空间。
2 方法学回顾本研究采用系统性综述和元分析首选报告项目规范(PRISMA)作为方法学框架,这一规范因其基于证据的检查清单以及包含识别、筛选、资格评估和纳入四个步骤的标准化流程而得到了学术界的广泛认可。2.1 数据识别/搜索标准搜索工作是通过Scopus数据库进行的,该数据库还涵盖了IEEE Xplore、ScienceDirect/Elsevier、SpringerLink以及PubMed等数据库。由于拥有海量经过索引的学术文献,Scopus被众多研究者视为开展系统性文献综述的可靠来源。此次搜索的时间范围为2016年至2025年。在搜索过程中使用了以下关键词及布尔运算组合:“ECG Analysis”、“QRS Detection”、“Heart Rate Variability or HRV”、“Deep Learning in Cardiology”、“Machine Learning for CVD”、“Non-linear Analysis”、“Time-Frequency Analysis”、“Arrhythmia Classification”、“Deep Learning” OR “CNN” AND “ECG” AND “Arrhythmia”,以及“Feature extraction” AND “Heart rate variability” AND “Diagnosis”。具体的文献搜索策略如图2所示。图2全尺寸图像本综述中所采用的PRISMA流程图2.2 初步数据筛选为了确保方法学的透明性与严谨性,本研究采用了多阶段的系统性筛选流程对候选文献进行筛选。首先在Scopus数据库中通过特定关键词进行初步搜索,共获得了1,540篇相关论文。在排除330篇重复文献后,剩余1,210篇论文需通过标题和摘要进行进一步筛选,最终又有995篇论文因未涉及时间域、频域、非线性分析方法或机器学习及深度学习模型而被排除。后续的筛选工作还包括对文献的标题、摘要及完整内容的相关性进行评估,最终共有215篇论文符合研究要求。排除标准包括缺乏评估指标或验证依据,以及性能明显低于现有最佳方法的冗余分析方法。因此在最终的全文审查后,有65篇论文被排除。纳入标准则包括:聚焦于心电图/心率变异性计算框架的经过同行评审的期刊和会议论文、使用标准公共或临床数据集的研究、能提供具体性能指标(准确率、灵敏度、特异性、F1分数)的研究,以及以机器学习/深度学习架构为研究对象的内容。最终共有150篇论文被纳入这项系统评价。图2展示了纳入与排除标准。
2.3 用于检测心率变异性信号中心脏疾病的频谱与非线性分析方法
尽管现有文献中已报道了R峰检测方法的优异性能,但QRS波群识别方法目前的局限性表明仍有改进空间。心率变异性是这两个系统动态相互作用的结果,表现为心率的波动。心率变异性分析已被认为是一种有效的无创技术,可用于评估心脏自主神经功能,并预测突发性心脏死亡、心肌梗死、冠状动脉疾病、充血性心力衰竭等心血管风险因素[72]。各类心血管疾病及其描述列于表1中。
表1 主要类型的心血管疾病及其描述
完整表格
心率变异性降低与不良后果密切相关,如严重室性心律失常以及急性心肌梗死后的死亡率上升[90]。传统的线性分析方法,如频谱分析,通过测定低频段能量(0.04–0.15?Hz)和高频段能量(0.15–0.40?Hz)来评估自主神经活动[91]。高频段能量主要反映副交感神经活动,而低频段能量则是交感神经与副交感神经活动的综合体现。此外,低频段与高频段的比值(LF/HF)是评估自主神经平衡的关键参数;因此,心率变异性是评估心血管功能及自主神经系统的核心技术。虽然心率变异性时域分析具有计算简单的优点,但它无法区分交感神经与副交感神经对心率变异性的影响。不过,最新研究强调,为了解释心率变异性信号的复杂性,需要采用非线性和时频分析方法。包括基于熵的分析和去趋势波动分析在内的非线性方法,有助于更好地理解心律的混沌特性;而时频分析则有助于检测在疾病诊断中至关重要的非平稳信号。这些方法共同构成了一个完整的框架,可用于理解自主神经功能障碍、分类各种心血管疾病,并提升预后评估能力。尽管心率变异性时域分析较为简单,但由于其无法区分交感神经与副交感神经的调控作用,因此有必要采用更先进的分析方法。然而,心血管系统的复杂性无法仅通过时域或频域分析来完全表征。为解决这一问题,人们开发了时频分析技术,以准确监测心率变异性谱的变化[92, 93]。快速傅里叶变换常被用于心率变异性分析中的功率谱估计,因为它具有较高的计算效率且频率分辨率高。但快速傅里叶变换无法提供信号中各频率成分的时间定位信息[94]。为弥补这一缺陷,人们设计了多种用于心率变异性分析的时频分析工具。包括短时傅里叶变换、维格纳-维尔分布以及小波变换在内的传统工具,对于理解心率变异性的动态特性非常有帮助,从而有助于更深入地了解复杂的心血管系统。为克服这些传统方法在时频定位方面的不足,近年来有学者提出了优化后的自适应修正斯托克韦尔变换、同步提取变换、同步挤压变换以及重分配方法。与其他所有时频表示方法相比,线性短时傅里叶变换相对简单[98],但由于海森堡-加博不确定性原理,其分辨率存在一定限制。尽管双线性维格纳-维尔分布能够最好地集中显示脉冲信号,但它会出现交叉项,干扰信号元素的呈现。这类传统方法的时频分辨率较低,因此无法准确描述非平稳信号的非线性特征。同步挤压变换是一种在非平稳信号处理中非常有用的时频分析后处理方法,但对于那些频率变化迅速的信号,其时频分辨率较低(会出现模糊现象)。虽然同步挤压变换、同步提取变换和重分配方法在时频定位方面优于传统方法,但它们仍难以准确检测心血管信号中的细微变化。
有效的时频分析方法的一个关键要求是能够使信号成分足够集中,从而准确呈现信号特征。重分配方法是一种时频分析技术,它能够提高信号的时频分辨率并增强其能量集中度[99,100,101,102]。该重分配方法通过根据能量贡献的引力中心重新分配能量分布,有效提升了时频域中的信号浓度[103,104,105,106]。它将时频谱图重新映射到瞬时频率轨迹上,从而实现更高的时频分辨率[107,108];不过,使用固定的高斯窗会降低信号的清晰度。
有研究[109]旨在通过分析从心电图获取的心率变异性信号,区分正常人群与冠状动脉疾病患者。研究者提出,可通过时域特征、频域特征和非线性分析方法对心率变异性信号进行详细分析。时域特征包括平均心率变异性、均方根离散度、NN50值以及pNN50值。频域特征则涉及在极低频、低频和高频段进行的功率谱密度计算;而非线性特征提取方法则包括庞加莱图分析、重复量化分析、熵分析、高阶谱分析、去趋势波动分析、经验模态分解以及相关维数分析。另有研究[110]提出了一种利用非线性高阶谱分析方法,通过心电图信号自动检测冠状动脉疾病的方案。在预处理阶段,通过小波分解去除噪声和基线漂移。然后利用非线性高阶谱特征(如双谱和累积量)来捕捉心电图数据中的隐藏模式。还有研究[111]提出了一种在线算法,可将心率变异性分解为高频、低频、极低频和超低频这四种频率成分。该研究引入了一种基于变分模态分解的在线变分模态分解算法,可实现实时分解心率变异性信号,从而持续评估自主神经功能。研究者通过合成数据集和真实心率变异性数据集对这种算法进行了验证,并将其与自适应变分模态分解、连续小波变换以及小波包分解进行了比较。还有研究[112]提出利用机器学习模型,通过心率变异性信号区分充血性心力衰竭患者与正常窦性心律患者。其特征选择方法包括过滤法、包装法以及嵌入法。他们还采用了时域特征、频域特征以及非线性特征。另有研究[113]设计了一种名为STREME的集成型、便携式且经济实惠的心率变异性分析系统,用于研究和临床应用。该系统包含一个紧凑的心电图采集设备PC-ECG12,以及具备时域、频域和非线性参数分析功能的软件。还有研究[114]探讨了预处理步骤,如去趋势处理和异常心跳校正,对心率变异性信号的时频分析及频谱估计的影响。他们的目标是提高心率变异性分析的准确性,以便更精准地检测室性心动过速或室颤发作。去趋势处理是通过平滑先验方法去除缓慢的非平稳趋势,该方法类似一种时变高通滤波器;而异常心跳校正则利用积分脉冲频率调制模型,修正可能干扰心率变异性分析的异常心跳。还有研究[115]提出了一种通过分析心电图和心率变异性信号来预测突发性心脏死亡的技术。该技术结合了线性分析、非线性分析以及时频分析来提取特征,随后再利用多层感知器和k最近邻神经网络进行分类。还有研究[116]探讨了不同频谱分析方法在心率变异性评估中的应用,重点研究了隆布-斯卡格尔方法。该论文将这种方法与传统的频谱分析方法进行了比较,后者包括经典修正周期图法、韦尔奇算法以及自回归伯格算法。还有研究[117]旨在通过短期心率变异性分析结合机器学习分类器,区分收缩期充血性心力衰竭与舒张期充血性心力衰竭。为提高诊断准确性,他们采用了两种标准化技术,即心率标准化和特征最小最大标准化。之后,他们从时域、频域(快速傅里叶变换、隆布-斯卡格尔方法、小波分析)以及非线性(庞加莱图分析)角度共提取了29个心率变异性特征。随后,他们运用最近邻分类器和多层感知器进行分类,并通过留一法交叉验证来验证模型的准确性。还有研究[118]利用心率变异性特征对不同心脏状况(如正常心律、心律失常、室上性心律失常以及充血性心力衰竭)进行了分类。该研究整合了11种线性和非线性心率变异性特征,包括R-R间期标准差、连续差异均方根离散度、pNN20值(连续R-R间期中差异大于20毫秒的比例)、心率变异性三角形指数、空间填充指数、相关维数、中心趋势度量以及四种近似熵特征。还有研究[119]探讨了通过短期(5分钟)心率变异性分析结合混合特征选择方法,准确检测充血性心力衰竭的可行性。这种特征选择方法结合了过滤法、包装法以及迭代消除法。还有研究[120]研究了心率变异性特征在预测冠状动脉疾病和心肌梗死中的应用。为对不同类型的心律失常进行分类,研究者们利用基于心率变异性特征的人工神经网络和支持向量机分类器。还有研究[121]探讨了长期心率变异性特征在借助分类回归树方法检测慢性心力衰竭方面的应用效率。该方法涵盖了心率变异性特征的提取、选择以及分类过程。还有研究[122]探讨了利用心电图中的心率信号自动检测冠状动脉疾病的方法。该方法采用可调Q小波变换对心率信号进行分解,然后通过一种名为中心相关熵的非线性度量方法提取特征。这些特征随后通过主成分分析进行转换,最后再利用带有多种核函数的最小二乘支持向量机进行分类。还有研究[123]比较了快速傅里叶变换、带有汉宁窗处理的韦尔奇周期图方法以及自回归模型(16阶自回归模型,采用前后向最小二乘拟合)这两种频谱分析方法在评估静息状态及直立应激状态下健康受试者心率变异性方面的适用性。还有研究[124]介绍了利用心率变异性分析诊断冠状动脉疾病的方法。研究者们首先通过线性(时域和频域)和非线性方法提取心率变异性特征,随后通过主成分分析进行降维处理,最后再利用机器学习方法进行分类。还有研究[125]提出了一种无创方法,通过分析四组受试者的心率变异性来检测突发性心脏死亡的风险,这四组受试者分别为正常窦性心律患者、冠状动脉疾病患者、充血性心力衰竭患者以及突发性心脏死亡患者在室颤发作前1小时的状态。他们采用了从广义S变换中得到的五种时频特征,并结合熵分析、庞加莱图分析、去趋势波动分析等非线性方法以及传统分析方法,进一步提升了心率变异性分析的准确性。还有研究[126]探讨了长期心率变异性特征在区分低风险与高风险充血性心力衰竭患者方面的能力。他们还评估了特征降维对分类准确性的影响。还有研究[127]提出了一种通过时频分析利用心电图信号检测冠状动脉疾病的方法。他们采用了改进的汉克尔矩阵特征值分解与希尔伯特变换组合方法,生成心电图搏动的时频表示。在他们的研究中,还考虑了混合平均时频、频率平均值以及时间平均值等特征。作者们提出了一种名为自适应连续Morlet小波变换(ACMWT)的先进信号处理技术,用于分析健康人群以及心律失常患者的HRV信号。该研究的主要目标是最大化HRV信号时频表示中的能量集中度。这种信号具有非平稳性和动态性,通过将形状参数$q$优化到$q_{opt}$值,可最大程度提升能量集中度。在[128]中,有研究提出了一种基于HRV信号高阶谱分析的无创方法,用于早期检测冠状动脉疾病和心力衰竭。研究者通过分析HRV信号得到的10个非线性参数,成功区分了健康个体与患有冠心病和心力衰竭的患者。[129]中的论文提出了一种结合自适应连续Morlet小波变换和反向传播神经网络来检测心律失常的方法,还提出了利用HRV信号的平坦度、通量、偏度、峰度、香农熵、雷尼熵以及变异系数等时频参数来检测心律失常的方法。 [130]中提出的系统通过基于离散小波变换的三阶段特征融合与分类模型,实现了心脏心律失常的自动化诊断,该系统能够根据心电图信号的多种非线性及统计特征,对正常窦性心律及各类心律失常,包括室性心律失常和房性心律失常进行分类。 [131]的研究提出了一种基于心电图信号获取的心率数据,通过计算机辅助系统诊断冠状动脉疾病,该方法运用经验模态分解将心率信号分解为固有模态函数,进而提取出五个特征参数。 [132]的研究将机器学习和深度学习技术应用于心电图信号,实现了冠状动脉疾病的自动检测,该方法通过利用心电图信号中的QT间期时间序列和ST-T段波形所提取的特征,提升了冠状动脉疾病的自动化诊断水平。 [133]中采用残差网络,实现了96.5%的准确率、95%的特异性、82.4%的召回率以及82.5的F分数。 [134]的作者使用CNN模型中的多视觉几何群,在PTB数据库上获得了95.65%的准确率、90.80%的特异性、97.34%的召回率以及97.07%的F分数。Moghadam等人[135]提出随机森林算法,实现了96.54%的准确率、99.74%的召回率以及97.88%的F分数。 [136]通过利用时频特征并结合随机森林分类方法,取得了82.36%的准确率。 [137]的论文提出了一种结合从最大重叠离散小波包变换中得到的全局能量熵特征与局部形态学特征的方法,通过支持向量机完成分类任务,达到了99.75%的准确率。 [138]使用支持向量机分类器,对心电图信号中的心肌梗死检测,得到了85.97%的灵敏度、74.03%的特异性以及86.85%的精确度。 [139]的作者设计了一种基于雷达的健康无线电技术,用于从射频信号中提取HRV,研究表明使用支持向量机分类器时,心肌梗死的检测准确率为81.5%。 [140]提出了基于多导联诊断注意力递归神经网络的方法,用于判断心肌梗死的严重程度,该方法的准确率为97.79%。 [141]中为心肌梗死的检测与定位,提出了一种结合变分模态分解与正则化邻域分量分析的高效技术,使用KNN分类器时,该方法的总体准确率为99.82%。 [142]的研究中采用谐波相位分布来检测心肌梗死,通过逻辑回归分析,得到的各项参数分别为准确率95.6%、灵敏度96.5%、特异性92.7%。HRV信号分析已成为评估神经系统副交感神经和交感神经对心脏自主功能调节作用的一种广泛使用的无创方法,HRV指的是从心电图信号中提取的连续心跳间隔之间的自然变化[143]。它被广泛用于冠心病[144, 145]和心力衰竭[146,147,148]的诊断。该信号通常通过非常低频功率、低频功率以及高频功率三个部分来量化,这三个频率段的范围分别为[0.0033 0.04]赫兹、[0.04 0.15]赫兹和[0.15 0.4]赫兹。机器学习和深度学习技术在检测包括冠心病和心力衰竭心律失常在内的多种心脏疾病方面取得了显著成果[149,150,151,152,153,154,155,156]。近年来,卷积神经网络被广泛应用于语音识别、生物信息学、图像分类、面部识别以及电脑游戏等领域[157],它能够自动从输入数据中提取并学习有价值的特征,生成深层特征,极大减少了手动特征提取的需求[158, 159]。不过,要有效训练深度卷积神经网络,需要大量数据以确保其具备良好的泛化能力,而传统的二维卷积神经网络模型对于许多现实世界中的一维信号应用来说并不实用,因为这类应用中标记数据往往十分有限[160]。图3展示了HRV信号的频谱分析与非线性分析结构。图3 全尺寸图像 HRV信号的频谱与非线性分析结构 3 用于检测心脏疾病的机器学习技术 由于心血管疾病会严重损害血管功能,可能导致冠状动脉感染等严重并发症,最终引发死亡[73, 161, 162],因此需要开发一种可靠的系统,实现快速准确的疾病诊断,帮助心脏病专家为患者提供合适的治疗方案。但在心脏疾病检测过程中,面临的主要挑战是在时间限制的影响下,从海量数据中识别出心脏疾病的行为模式,同时这些时间限制也会影响检测的响应速度。而机器学习和深度学习技术的发展,则有助于分析复杂庞大的医疗数据,从而识别疾病发生的规律,并将这些信息转化为结构化数据,用于疾病检测[163]、[164]。近年来,研究人员提出了多种基于机器学习的方法,通过不同的方法和策略来检测和分类心脏疾病。[165]的研究提出了一种通过分析12导联心电图信号来自动检测和定位心肌梗死的方法。[166]中提出了基于深度迁移学习的方法,利用心电图信号检测心肌梗死,旨在改善智能城市中的医疗服务水平。该研究开发了两种改进版的卷积神经网络模型,即经过微调的VGG-Net版本VGG-MI1,以及将VGG-Net作为特征提取器并搭配QG-MSVM分类器的VGG-MI2,这两种模型都采用了较小的滤波器尺寸和较少的池化层,以降低计算成本和降低对噪声的敏感度,同时还采用了数据增强技术(生成额外的心电图图像)和丢弃机制,以减少过拟合现象并提升模型的稳定性。[167]中介绍了一种名为HHF-MUPTT的多级混合手工构建模型,用于利用心电图信号自动分类心肌梗死,该模型的架构结合了多级混合特征提取方法(包括纹理特征和统计特征),以及迭代特征选择和迭代多数投票分类方法,模型中还融入了1D-改进对称二进制模式和多级不平衡池化树变换两种技术。[168]的作者提出了一种基于深度学习的方法,利用单导联心电图信号分类心肌梗死,他们的方法设计了一个多通道卷积神经网络-长短期记忆网络模型,无需手动进行特征工程,即可自动从心电图信号中提取空间特征和时间特征,该模型以连续5次心跳的数据作为输入,先通过并行的卷积神经网络通道提取空间特征,再通过长短期记忆网络层学习时间依赖关系,整个网络包含16层结构,包括卷积层、池化层、丢弃层、长短期记忆网络层以及全连接层,均采用了ReLU激活函数和批量归一化处理。[169]的研究提出了一种端到端的深度学习方法,利用带有焦点损失的卷积神经网络,自动从心电图信号中检测心肌梗死,解决了数据不平衡的问题,通过焦点损失优化技术,聚焦于难以分类的样本,提升了心肌梗死的检测精度。[170]通过使用平稳小波变换和机器学习技术,实现了下壁心肌梗死的检测,在预处理阶段,首先对II、III导联以及aVF导联(对下壁心肌梗死最为敏感)的心电图信号进行降采样和分割,后续的评估既采用了以类别为导向的交叉验证方法,也采用了以个体为导向的方法,验证了该模型在未见过的新个体上的泛化能力。[171]中开发了一种无需依赖时域参考标记(如R波、Q波、ST段)即可利用心电图信号检测和定位心肌梗死的方法。[172]提出了一种基于心电图信号的计算机辅助心肌梗死诊断系统,该系统通过预处理心电图信号、利用Pan-Tompkins算法检测R波、提取非线性特征,再结合支持向量机、KNN算法、决策树以及概率神经网络等机器学习分类器来完成信号分类。[173]的作者提出了一种结合信号处理技术与人工智能的方法,用于通过心电图信号检测心肌梗死,他们首先通过合成标准的12导联心电图信号与Frank XYZ导联信号,构建出四维心脏向量,以此捕捉心肌梗死引发的病理变化,随后利用固有时间尺度分解和离散小波变换对信号进行分解,再基于相空间重构和欧几里得距离提取特征,最后完成分类工作。[174]的研究提出了一种可靠的系统,能够通过分析心电图信号获得的HRV信号,在心脏病发作前1小时提前预测其发生,该研究旨在区分正常窦性心律、心脏病、冠状动脉疾病、充血性心力衰竭以及心房颤动,从而更精准地预测心脏病,挽救生命,研究共提出了77个特征,这些特征来自时域分析、频域分析、非线性分析以及时频分析多个方面,在时频分析中,采用了恒Q非平稳加博尔变换将HRV信号转换为二维图像,随后通过灰度共生矩阵、结构相似性测量、频域趋势分析以及灰度局部相似性矩阵等方法对图像的纹理特征进行分析,还采用了顺序向前选择法和方差分析测试相结合的两阶段特征选择方法。[175]的论文通过结合机器学习技术中的支持向量机与离散小波变换特征提取方法,提出了一种分类方案。[176]的作者提出了第三种方案,他们基于心率信号的标度图构建了三阶张量,这些标度图是心率信号的时频表示,能够以二维形式呈现心率信号的变化情况,再将这些二维图像堆叠成三维结构,形成三阶张量,随后对该张量进行CP分解,由于核心分量能够捕捉时间、频率以及时间帧之间的高阶相互作用,因此只保留该核心分量。 [177]中提出了一种基于深度学习的心率变异性信号心脏病预测方案,该方案采用卷积神经网络模型,将心电图信号分为五类:正常窦性心律、冠状动脉疾病、充血性心力衰竭、室性心动过速以及心脏病。[178]的研究提出了一种检测充血性心力衰竭的方法,作者们采用了心电矩阵方法,该方法可将二维心电图信号转换为三维彩色矩阵,便于更直观地观察信号特征。[179]的研究提出了一种多模态学习方法,通过结合心电图、心音图以及二者耦合信号,提升冠状动脉疾病的检测精度,该研究采用了多模态整合方法,整合了来自心脏的电学信号、心音图的机械信号,以及通过反卷积方法得到的新类型的心电图-心音图耦合信号。在[180]的研究中提出了一种名为HeartCare的深度学习框架,该框架采用知识蒸馏技术,用于从12导联心电图信号中检测和定位多标签心肌梗死。该框架基于师徒模型,利用性能更强的大型教师网络来训练规模较小、资源消耗较低的学员网络,使其具备相似的准确率但更低的计算复杂度。教师网络(复杂的卷积神经网络)用于从心电图信号中提取形态特征和注意力模式,而学员网络(轻量级卷积神经网络)则模仿教师对关键心电图区域(如QRS波群、ST段)的关注,从而实现心肌梗死的检测。最终,心电图信号被分为五类超诊断类别:正常(NORM)、传导障碍(CD)、ST/T改变(STTC)、心肌梗死(MI)以及心肌肥厚(HYP)。[181]通过结合多变量时间序列分类与基于连通性的特征,利用心电图信号实现了心肌梗死的检测。多导联心电图信号被视为多变量时间序列,通过ROCKET算法提取特征,该算法运用随机卷积核捕捉序列模式,随后再使用逻辑回归分类器进行分类。[182]的研究则提出了一种自动化框架,通过混合信号处理技术与确定性学习理论来实现基于心电图信号的心肌梗死检测。他们在研究中采用了香农能量包络(SEE)、快速自适应多变量经验模态分解(FA-MVEMD)以及基于神经网络的确定性学习等方法。[183]的作者们提出了基于LSTM神经网络架构的方法,用于从单导联(II导联)心电图信号中实现近乎实时的心肌梗死检测。该研究采用三层LSTM神经网络进行分类,前两层包含100个带有tanh激活函数的LSTM单元,用于捕捉心电图信号中的时间依赖性,最后一层则是一个带有sigmoid激活函数的LSTM单元,用于二分类(心肌梗死与健康对照组)。图4展示了用于心血管疾病检测的数据预处理阶段及机器学习模型应用的结构。表2汇总了各种用于检测心电图信号中QRS波群的技术,表3总结了心率变异性在时间、频谱、时频及非线性分析方面的相关研究,表4则汇总了用于心血管疾病检测的机器学习与深度学习模型。在评估心血管疾病检测模型的性能时,需要运用多种评估指标来全面了解其表现。具体而言,分析机器学习模型在预测心血管疾病方面的性能,对于确定其在临床应用中的实用性具有重要意义。用于评估这类模型性能的关键指标包括准确率、精确度(阳性预测值)、特异性、敏感性(召回率)、F1分数、马修斯相关系数、曲线下面积以及接收者操作特征曲线。对所有相关文献的分析表明,这些研究至少使用了表5中所列的一种性能指标来评估模拟结果,而这些性能指标恰恰反映了各方法的检测能力。此外,表中还给出了每个指标的定义及其数学公式。表5列出了文献中用于评估和比较不同方法结果的性能指标,其中\(T_P\)表示被正确识别为阳性的受试者数量,\(T_N\)表示被准确识别为阴性的个体数量,\(F_P\)表示被误判为正常的实际异常受试者数量,\(F_N\)则表示被错误标记为异常的实际正常受试者数量。4讨论时域特征因其计算简便高效,成为心电图和心率变异性信号处理中最常用的技术之一。平均RR间期、SDNN、RMSSD、NN50和pNN50等特征能够反映心跳间的变化规律,且蕴含着有关自主神经系统活动的重要信息。它们在诊断与心脏自主神经功能紊乱相关的异常方面表现优异,且在检测充血性心力衰竭和冠状动脉疾病等疾病时也展现出良好的效果。然而,这类特征在描述复杂且非线性的心脏活动方面的能力有限,因此在面对具有挑战性的分类任务时,其区分能力会有所下降。频域特征则通过分析心率变异性信号的频谱成分提供额外信息,更具生理学意义。频域分析技术在检测与心脏病相关的自主神经功能障碍方面表现出较高的诊断准确性。不过,传统的频谱分析方法往往假设信号是平稳的,这可能无法充分捕捉瞬态的心脏事件以及快速变化的生理状况。为克服这些局限,时频分析技术如小波变换、短时傅里叶变换、Stockwell变换、经验模态分解和振动模式分解被广泛运用。这类方法能够同时描述时间和频率特性,因此更适用于处理非平稳的心电图和心率变异性信号。由于能够捕捉传统时域和频域方法无法识别的局部变化,时频分析技术在检测瞬态异常、缺血、心肌梗死以及猝死等方面取得了更好的效果。非线性特征提取方法通过考虑心血管动力学中的非线性和混沌行为,进一步提升了模型的诊断能力。通过熵度量(近似熵、样本熵、多尺度熵)、分形维数、Poincaré图、递归量化分析、李雅普诺夫指数以及高阶统计量等获得的非线性特征,在区分健康受试者与患有不同心血管疾病的患者方面具有很强的区分度。由于心血管功能的调节高度依赖于复杂的生理过程,非线性特征有助于识别那些通过线性方法无法察觉的细微病理变化。最近,深度学习技术引入了自动学习的特征表示方法,使得手动特征工程变得不再必要。卷积神经网络主要专注于学习局部形态特征,如P波、QRS波群和ST段变化,而长短期记忆网络和Transformer模型则能够学习心电图和心率变异性信号中的时间依赖性及长距离上下文关系。在大多数情况下,只要拥有足够的训练数据,这类自动学习的特征表示就能比手工设计的特征表现得更好,因为它们可以直接从原始数据中提取出复杂的层次化模式。不过,深度学习方法通常需要更大的训练集、更高的计算资源以及更好的可解释性,才能便于在临床环境中应用。对相关文献的系统性回顾也表明,不存在一种单一的特征域能够在所有心血管疾病检测任务中都带来最佳性能。相反,许多研究表明,结合多个领域的特征能够提升模型的准确率、稳健性以及泛化能力。通过采用混合特征融合技术,整合时域、频域、时频、非线性以及机器/深度学习特征,可以从生理信号中提取互补信息,从而构建出更为可靠且具有临床实用价值的诊断系统。因此,多模态和多领域特征学习框架是未来心血管疾病检测研究的一个极具前景的方向。人工智能技术的最新进展带来了若干新范式,极大地影响了利用心电图和心率变异性进行疾病诊断的过程。其中较为流行的范式包括基于Transformer的深度学习,由于其能够借助自注意力机制建模长距离时间依赖性,因而受到了广泛认可。与其他RNN和LSTM架构相比,Transformer不仅能捕捉局部形态特征,还能同时理解心电图和心率变异性信号中的全局上下文关系,这有助于在心律失常分类、心肌梗死诊断以及心血管风险评估等领域获得更优的诊断结果。近期研究显示,混合CNN-Transformer架构在结合卷积神经网络的特征提取能力与Transformer的序列建模优势方面表现十分出色,可用于多种心血管疾病的分类[184]、[185]、[186]。随着深度学习在医疗领域应用的不断拓展,人们也越来越重视所使用模型的可解释性和透明度。尽管深度神经网络在分类任务上可能表现更佳,但由于它们属于黑箱模型,因此在临床环境中难以被接受和应用。因此,可解释人工智能成为心血管疾病诊断领域的一个重要研究方向。SHapley加性解释、局部可解释模型无关解释、显著性图、注意力可视化以及梯度加权类激活映射等技术,能够帮助识别在心电图、心率变异性特征及生理信号中起关键作用的组成部分[187]、[188]、[189]。另一个新兴趋势是自监督学习和基础模型学习,这类方法利用大量未标注的生理数据对模型进行预训练,然后再进行后续的分类任务。这些方法减少了对人工标注数据集的依赖,而这类数据集在医疗环境中往往成本高昂且难以获取。此外,研究人员越来越多地采用联邦学习方案,这种方案允许在不同机构之间联合训练模型,同时不会侵犯患者隐私,也能遵守数据保护法规。这类模型的优势在于无需集中交换数据即可提升模型的泛化能力。最近的综合综述进一步指出,未来的心脏病诊断系统将越来越多地集成Transformer模型、可解释人工智能方法、多模态生理数据融合、边缘计算以及隐私保护型学习技术。这些技术将提升系统的效率,提高其准确性及可解释性,使其更具临床实用性,从而助力打造智能且值得信赖的心脏病诊断系统[190]、[184]、[191]。5总结与未来工作心血管疾病是全球死亡的主要原因,占所有记录在案的死亡人数的32%。检测心血管疾病以及运用机器学习等医疗技术,对于减轻心血管疾病对公共卫生系统的冲击至关重要。如图心电图所示,正常的心跳周期由P波、QRS波群和T波等特定波形组成,这些波形对于心血管疾病的诊断极为重要。其中,QRS波群作为核心组成部分,对分析心跳周期具有关键作用。尽管在检测构成QRS波群的R波峰方面已经取得了较好的成果,但仍存在改进空间。各类文献综述也表明,需要一种算法,能够在时频分析和非线性特征提取技术中有效识别心率变异性信号中的细微变化。此外,机器学习技术在提升心血管疾病检测与管理的准确性和可靠性方面已展现出显著成效,其优势包括早期检测、个性化治疗方案制定、预测能力以及实时监测功能。不过,提升准确率和计算效率依然是面临的主要挑战。本综述介绍了机器学习在心血管疾病检测与分类领域中的最新发展趋势。所讨论的内容涵盖数据收集、数据预处理以及性能指标的选择。同时需要强调的是,为了提升模型性能,数据预处理、特征选择以及分类器选型也是分析过程中不可或缺的环节。未来的研究方向应集中在以下几个方面:提升QRS波群检测的稳定性——准确的R峰检测是后续所有心电图和心率变异性分析的基础,但目前的方法在面对噪声和心律失常时存在缺陷;发展用于心率变异性信号分析的时频分析及非线性方法——传统的线性分析无法捕捉到心率变异性信号中非平稳模式所蕴含的自主神经系统关键动态;通过结合多种算法来开发混合机器学习模型——多种算法的结合能够发挥各自优势,从而提升模型在不同患者群体中的通用性;利用非结构化的医疗数据来提高心血管疾病的检测能力——由于预处理方面的困难,大多数机器学习模型目前还无法利用这些包含宝贵现实世界信息的非结构化临床数据;拓展来自临床机构大量患者群体的实时数据分析(而不仅仅是公共数据集)——公共数据集的数量有限,不足以构建有效的模型,而临床机构则拥有连续的数据流;优化计算效率——在资源有限的地区,计算成本高昂的算法会限制其在心血管疾病高发地区的应用;建立统一的模型准确性评估指标——目前用于评估模型准确性的指标(如准确率、F1值、AUC-ROC等)并不统一,这给不同研究之间的比较带来了困扰。综上所述,未来的研究应致力于开发轻量级且计算效率高的模型,以便将其应用于可穿戴设备、物联网系统以及边缘计算环境中。许多深度学习模型在分类任务中表现非常出色,但问题在于它们需要大量的计算资源和内存,这限制了其在实时监测应用中的使用。此外,未来的研究还应着眼于开发更先进的深度学习模型,尤其是基于变换器及注意力机制的模型,这样才能比循环神经网络更好地捕捉生理数据中不同数据点之间的长期依赖关系。另一个重要的研究方向是开发可解释的人工智能算法。尽管深度神经网络往往比传统机器学习模型表现更好,但其主要缺点就是缺乏可解释性。因此,在未来的研究中,有必要结合可解释人工智能技术,比如使用SHAP、LIME、Grad-CAM以及注意力可视化技术,为诊断决策提供具有临床意义的解释,进而增强医生对人工智能辅助医疗系统的信任。此外,联邦学习也是一种很有前景的方法,它有助于在无需泄露患者隐私、遵守医疗数据保护法规的前提下构建协作型模型。最后,自监督学习和基础模型也被视为值得进一步研究的领域。这些技术可以利用大量未标记的生理数据来学习强大的特征表示方法,从而减少对昂贵专家标注的依赖,并提升模型在新的临床环境中的适应能力。
生物通微信公众号
生物通新浪微博
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