深度学习的ECG疾病识别研究

心血管类疾病的诊断大多数都是由临床医生根据心电图进行，但是这样进行诊断的效果还不是很理想，疾病进一步的确诊还需要由专业医师进行。所以，在人工智能、大数据时代，将计算机算法的快速反应以及通过改进的计算机算法相结合进行疾病的诊断的步伐应该加快。
本文从Physiobank数据库中PTB心电数据库中获得心肌梗塞患者以及健康人群的ECG数据信号，通过基于小波变化的去噪方式对提取的信号进行预处理，使用长短期记忆法（即LSTM）对预处理之后的ECG信号进行特征提取，建立心肌梗塞的支持向量机模型（SVM）以及线性回归模型，分析心肌梗塞模型特征，由此归纳总结心肌梗塞患者的ECG信号特有标志，从而为更加高效、准确的对疾病做出诊断提供可能，为患者争取更多的治疗机会。

一、国内外研究现状

心电图（即ECG）是心脏活动的表现形式，临床医生、专业医师可以通过心电图的波形特征可以判断出心脏可那个出现了某些问题，由此来给患者相应的病理康复建议。
ECG信号中不仅仅有作为疾病判断依据的心电信号，同时还存在有影响分析特征的噪声，主要包括基线漂移噪声、工频噪声干扰和高频肌电干扰三种[8]。要通过心电图进行疾病的识别诊断，首先需要对心电信号中存在的“噪声”进行去除[11]或者降低其对心电信号的干扰，降噪进行完毕后再进行心电信号的分析判断，这样得来的结果才更加准确，才能对疾病进行更加良好、准确、高效的诊断。
目前研究中使用频率较高的去噪方法主要包括：1）基于滤波器的噪声去除

二、心电图原理

心肌细胞膜是半透膜，半透膜具有选择通透性，使得心肌细胞膜内外的电位会有变化。当处于静息状态的时候，膜外是一定数量的正电阳离子，膜内是负电阴离子，外正内负，膜外的电位相对膜内要高，称此为极化状态，在此状态下，不会有电位差，这样测得的电位线就是平直的，称为等电位线。但是一旦心肌细胞受到刺激，通透性发生变化，会产生除极过程，即阳离子会进入膜内，电位变正，由电流记录仪记录到的电位曲线称为除极波，也就是P波和QRS波。除极完成之后阳离子会排出来，使得膜内点位再次变为负，恢复为极化状态，称为复极，由电流记录仪记录到的电位曲线称为复极波，其过程缓慢，幅度较低，不易测得，表现为T波。细胞复极之后，会再次恢复极化状态，没有电位差，测得等电位线。
心电图（ECG－electrocardiogram），是英国皇家学会玛丽医院的生理学教授Waller于1887年在犬和人类的心脏上应用毛细管静电计第一次记录得到。心电图记录的是人体心脏活动的可视时间序列，人体心脏的综合表现[7]可以由心电图直观的反应，所以心电图成为检查心血管疾病、医生诊断病患情况的重要依据之一。

三、LSTM网络结构

神经网络的重复模块链的形式是所有的循环神经网络所共有的。在标准的RNN中，该重复模块具有非常简单的结构，例如单个tanh层。LSTM也具有这种链式结构，但是与RNN不同的是它的内部有四个网络层。LSTM的结构如图2.5所示。
在LSTM中，第一阶段是遗忘门，遗忘层决定哪些信息需要从细胞状态中被遗忘；下一阶段是输入门，输入门确定哪些新信息能够被存放到细胞状态中；最后一个阶段是输出门，输出门确定输出什么值。“门”结构是一种让信息选择式通过的方法，包括一个sigmoid神经网络层和一个pointwise乘法操作。
遗忘门通过sigmoid单元来处理决定细胞状态需要丢弃那些信息，它通过查看ht-1和xt信息来输出一个0-1之间的向量，该向量里面的0-1值表示细胞状态Ct-1中的那些信息保留或丢弃多少，0表示不保留，1表示都保留。

效果图

结语
心脏作为人体内最重要的器官，它的健康才能带来更好的生活，倘若出现一点问题都会对人体健康产生莫大的威胁。心肌梗塞是常见的心血管疾病，心肌梗塞发生时，如果血管堵塞30分钟以上就会发生心肌坏死，所以心肌梗塞疾病越早治疗越好。而心脏病目前的最佳诊断方式就是通过心电图的波形状态来进行判别，但是在目前医疗手段上，通过心电图来进行疾病的诊断需要专业医师进行，所以通过计算机进行辅助医疗诊断显得尤为重要。本文通过分析心肌梗塞患者和健康对照者的心电信号，通过模型检测提取出了判断心肌梗塞的特征，为该疾病的准确、及时诊断提供了参考。