ECG英文综述

ECG英文综述

Review of ECG detection and classification based on deep learning: Coherent taxonomy, motivation, open challenges and recommendations（基于深度学习的心电图检测和分类回顾：连贯分类、动机、开放挑战和建议）

在 AF 的自动检测中，一些检测器可以根据 p 波缺失或 RR 间期变化（R 是心室除极开始的符号）检测 CVD。 Dash（2019） 提出了一种基于心跳间隔时间序列的随机性、可变性和复杂性的AF自动检测算法。该方法的形态特征由小波变换和独立成分分析提取特征组成。 小波特征由四阶近似系数和三阶和四阶细节系数组成。 独立分量分析的提取特征包括一组从观察信号中恢复的独立源信号。

尽管已经开发了各种特征分类器，但这些方法大多涉及手动提取和传统分类。为了提高准确性，这些方法必须花费大量时间来确定特征的最佳组合。 此外，该过程需要通信领域的广泛专业知识。 因此，特征提取或选择对非医学研究人员甚至该领域的研究人员都构成了挑战。

特别是，挑战来自几个方面。 首先，不同患者的心电波形和时间特征在基本心电模式下有所不同。 病人有不同的心跳波形，即使是同一个病人，在不同的时间也可能有不同的心跳波形。 其次，心率变异性的处理也给心电信号的分类带来了问题，因为心率涉及的变量太多，包括生理和心理状况，如压力、兴奋、运动和心电特征的变化（如 RR 和 PR 间期）。 因此，一些研究人员已经开始使用神经网络来自动提取特征和心跳。

Escalona-Moran（2015）提出了一种基于二维心跳卷积的神经网络作为分类方法。 在该方法中，研究人员将一系列相邻的三个心跳转换为二维耦合矩阵输入，使卷积滤波器能够轻松捕获相邻心跳的连续波形以及心跳之间的相关性。 该方法达到了76.8%的最终灵敏度，SVEB的阳性预测值为74.0%，VEB的阳性预测值为93.8%。

Salem（2018）开发了一种基于CNN的自动AF检测方法。 AF 特征会自动学习并应用于分类模块。 该方法简化了特征提取过程，不需要专家特征工程来确定特征的适用性和关键性。

zhang（2017）提出了一种多尺度CNN（MCNN），它在尺度变换输入的基础上对输入信号进行时间尺度变换和AF检测。模型中 MCNN 的深度与检测性能密切相关。

尽管上述方法在解决特定的 CVD 检测问题方面在实验上是有效的，但它们的良好性能通常是基于精心挑选的干净数据或少量测试人