基于深度神经网络的房颤自动检测算法

房颤（Atrial Fibrillation, AF）是最常见的持续性心律失常，严重的可造成卒中，所以需要及时的诊断和治疗。心电图（Electrocardiogram，ECG）广泛用于诊断包括房颤在内的各种心功能障碍，移动端的普及更是使得单导联ECG的测量更加方便快捷。然而，单导联ECG记录的心电信号一般信噪比和频率均较低，并且存在不规则的噪声，直接用于AF的诊断较为困难。本文提出了一种基于深度神经网络（Deep Neural Network，DNN）的房颤检测算法（DHB），通过切片、编码、聚类和分类等过程完成心电信号的编码和解码，可以从单导联ECG数据中直接检测受试者是否存在房颤。目前，该研究的相关成果已发表在《生物医学工程前沿（BMEF）》期刊上。

DHB检测算法的基本流程可以分为以下4步，具体实验通路见图1。（1）原始信号切片：为了获取长心电图中的时序子序列，采用随机切片、R峰检测或者心跳提取的方法来获取可变长度的短时序列信号。（2）提取特征：将时序子序列通过自编码网络来提取特征。（3）聚合特征：聚合所有的子特征来表示整个信号。（4）分类：采用DNN网络来进一步解码特征，检测是否是房颤。

图1 DHB检测算法的实验通路

本文在Cardiology Challenge 2017、MIT-BIH Atrial Fibrillation Database和MIT-BIH Arrhythmia Database三个数据集进行了实验。结果表明，DHB算法在单导联ECG数据上检测AF的准确率达到了90%，优于现有的心电处理算法。此外，本文还观察到AF的发生与指示性心跳形态特征之间的统计学相关性。这些特征可以补充心律和心率的信息，这对AF的检测是非常有用的。

图2 不同算法在不同潜在空间特征数目d下的ROC曲线

原文链接：

https://doi.org/10.34133/2022/9813062

END

About BMEF

BMEF(《生物医学工程前沿》)是中国科学院苏州生物医学工程技术研究所(SIBET CAS)与美国科学促进会(AAAS)/Science合作出版的开放获取国际学术期刊。期刊旨在为生物医学工程这一交叉学科提供一个高效的交流平台，以推动领域内的科学家、工程师和临床医学专家及时地交流，共同促进人类健康。关注在致病机理研究和疾病预防、诊断、治疗及评估方面取得的突破性进展，包括概念、设备、材料、组织、过程和方法。致力于报道临床前的基础研究、转化医学和临床研究的成果。

期刊网址：

https://spj.sciencemag.org/journals/bmef/

投稿网址：

https://www.editorialmanager.com/bmef/

欢迎各位同仁踊跃投稿！

点击下方“阅读原文”查看文章原文

点击“在看”，助力传播