ECGNet——机器学习在心律诊断中的应用实例AI ECG Arrhythmia Detection Model - StarFish Medical

TL;DR

• 将深度学习应用于ECG时间序列数据可以达到专家级别的心律失常检测性能。
• 修改后的1D U-Net架构在多样化的PhysioNet数据集上展示了稳健的分割能力。
• 模型缩放分析表明，较小的架构可以在减少硬件需求的同时保持准确性。
• 解决数据不平衡、信号变异性以及人口统计多样性对于临床可靠性至关重要。
• 轻量级AI ECG模型为可部署的辅助诊断系统提供了实用路径。

心电图（ECG）仍然是无创心脏评估的黄金标准，为心脏电健康提供了一个重要的窗口。通过表面电极记录电信号，临床医生可以识别心律失常、心肌梗死和传导异常等危及生命的状况。

如今，该领域正处于一个十字路口：数字健康的激增已将ECG数据从诊所转移到云端。虽然一些波形数据现在可以通过互联网和可穿戴设备获取，但这些数据可能嘈杂、不一致且质量参差不齐。

本文探讨了深度学习和人工智能在这种数据环境中的变革潜力。ECG是时间序列信号，非常适合用于卷积神经网络，后者擅长在序列数据中进行模式识别。研究表明，深度学习模型在心律失常检测方面可以达到甚至超过专家水平；然而，真正的挑战在于当基础数据未经整理或标注不佳时实现这种准确性。

通过这一过程，我们的目标是确定卷积深度学习架构在训练于代表性的、真实的、反映现代医疗数据收集缺陷的数据集时的稳健性。我们的目标是解决规模和泛化问题：开发尽可能小的模型，该模型不仅能在实验室中工作，而且在面对来自不同互联网来源和低质量心脏记录中典型的信号干扰和类别不平衡时，仍能保持临床可靠性。

AI在ECG分析中的应用

将AI应用于ECG信号已成为一个日益活跃的研究领域。类似的趋势可以在其他医疗时间序列数据中观察到，例如捕获大脑活动信息的EEG信号。虽然递归和卷积神经网络架构的进步极大地促进了这一日益增长的兴趣，但ECG分析呈现出几个额外的特性，使其对研究人员特别有吸引力。这些原因包括但不限于：

• ECG波形模式（P波、QRS复合波、T波）结构高度有序，使神经网络能够检测细微的形态变化。
• 大型公共数据集（如MIT-BIH心律失常数据库、PTB诊断ECG数据库、PhysioNet挑战数据集）使得可重复研究成为可能。
• 深度学习模型可以执行分类、分割、去噪和异常检测。

在StarFish Medical，我们在开发管理各种生物信号（特别是ECG）的工具和算法方面拥有丰富经验。由于标记的心律数据普遍存在，我们认为有机会将机器学习技术应用于自动心脏事件检测和分类。设计用于执行诊断功能的机器学习医疗设备面临更严格的监管审查，然而旨在提醒训练有素的临床医生注意特定时间点的医疗机器学习，而不揭示意图或诊断，适合于辅助、节省时间的角色。这个领域正是医疗AI大放异彩的地方，它减少了临床医生的信息过载，并将专家注意力集中在所需之处。在这次实验中，我们利用开源ECG数据设计并训练了一个机器学习模型，以识别潜在的异常心脏事件。

我们选择了1D U-Net，因为它有效，因为该设计通过压缩数据捕获"大局"，同时使用跳跃连接保留细粒度细节。

ECG波形模式

ECG波形模式代表了心脏收缩和放松时的电活动。正常的ECG包括P波（心房去极化）、QRS复合波（快速心室去极化）和T波（心室复极化）。形状、持续时间或时间的变异可能表明心脏异常。例如，ST段抬高可能提示心肌梗死，而QT间期延长可能表明心律失常风险。心房颤动表现为不规则的、纤维性基线波，没有明显的P波，而室性心动过速显示宽而快的QRS复合波。准确的解释有助于诊断心律失常、缺血、电解质失衡和其他心脏疾病。

数据集描述

在机器学习模型的开发中，基础数据集的质量至关重要。虽然我们认识到，最终需要第一手、专业的数据收集才能实现生产就绪的解决方案，但我们当前的研究阶段利用了来自PhysioNet的四个世界级开源数据库。通过整合这些不同的信号——从健康对照组到罕见的室上性事件——我们确保我们的原型针对全球医学研究界使用的相同黄金标准进行基准测试。

MIT-BIH心律失常数据库包含48个半小时的双通道ECG记录，采样率为360 Hz，取自门诊Holter数据。它包括各种心律失常，每个心跳都由专家心脏病学家标注，使其成为心律失常检测研究的基准数据集。MIT-BIH正常窦性心律数据库提供来自没有显著心律失常的健康个体的长期ECG记录。这些干净的窦性心律信号作为对照组，用于比较病理性与正常心脏模式。

MIT-BIH室上性心律失常数据库增加了78个记录，重点强调在核心MIT-BIH心律失常数据集中代表性不足的室上性事件，如心房心律失常。这些记录包括详细的节拍标注，以支持对起源于心室以上条件的研究。

圣彼得堡INCART 12导联心律失常数据库由从12导联Holter记录中提取的75个半小时片段组成，这些记录来自接受冠状动脉疾病评估的患者。采样率为257 Hz，它提供了多导联视角，包含超过175,000个标注的心跳，涵盖了各种心室和室上性异常。

结合这些多样化的数据集确保我们的模型具有弹性和泛化性，而不是过度拟合到单一临床环境。这种多源策略为我们的当前研究阶段提供了必要的严格基准测试，同时为向专有数据收集和临床级部署的过渡铺平了道路。

原型描述

模型架构，修改后的1D U-Net

U-Net是一种卷积神经网络架构，最初为生物医学图像分割而提出，但后来已成为许多密集预测任务的基础。其定义特征是由收缩路径（编码器）和扩展路径（解码器）组成的U形拓扑结构，通过跳跃连接相连。

编码器由重复的3×3卷积块、非线性（通常是ReLU）和通过最大池化的下采样组成。随着空间分辨率降低，特征通道的数量增加，使网络能够学习越来越抽象的表示。解码器镜像这种结构：每个阶段上采样特征图，通常使用转置卷积或插值后跟卷积，逐步恢复空间分辨率。

一个关键创新是使用跳跃连接，将编码器的特征图连接到相应的解码器层。这些连接保留了下采样过程中丢失的高分辨率空间信息，并改善了训练期间的梯度流动，即使在相对较少的训练样本下也能实现精确定位。

U-Net通过交叉熵或Dice损失等损失函数进行端到端训练，具体取决于类别不平衡情况。变体通过注意力机制、残差块或用于体数据的3D卷积来扩展架构。其效率、在小数据集上的强大性能以及生成详细分割图的能力，使U-Net成为医学成像及其他领域的基石模型。

类别描述

如前所述，该模型是波形样本中每个节拍和非节拍部分的多类别分类器。类别0映射到波形的背景部分，即心跳之间。类别1指围绕正常节拍的信号部分，类别2指围绕异常节拍的区域。

使用上述方案，我们可以计算每位患者的异常节拍数量。

方法和结果

我们为每个模型训练了5,000轮次，这个限制被选择为足够长，以便许多不同大小的模型收敛以进行直接比较。每一步涉及从每个记录中随机选择两秒的单通道ECG信号片段。我们改变了模型超参数，以研究模型缩放对训练动态的影响。

超参数

以下是我们在1D U-Net实例中使用的超参数。使用这些超参数，我们可以创建和比较多个模型，并获得最佳结果的模型。此外，这些是卷积神经网络中最常操作的超参数。

内核大小是卷积在时间序列上滑动的窗口大小。对于图像处理，内核是二维参数集。对于时间序列数据（我们的情况），它是一维参数数组，因此内核大小是正整数。

扩张率是一个超参数，定义了卷积操作期间内核权重之间的间距。在标准1D卷积中，扩张率等于1，意味着内核处理时间序列中的相邻样本。U-Net深度指的是从输入层到瓶颈的层次结构中的连续级别数。

指标

为了全面评估1D U-Net分割模型的性能，我们选择了三个互补指标：交叉熵损失、交并比（IoU）和宏F1分数。交叉熵损失作为主要训练目标，衡量模型预测类别概率的效果。IoU评估预测段与真实段之间的重叠质量，捕捉空间或时间对齐。宏F1分数平衡所有类别的精确率和召回率，确保少数类别得到平等对待。这些指标共同提供了对优化行为、分割准确性和类别级性能公平性的洞察。在接下来的段落中，我们将更详细地定义这些指标。

交叉熵损失：在1D U-Nets的上下文中，交叉熵损失是训练期间使用的主要目标函数。它衡量分类模型的性能，该模型的输出是0到1之间的概率值。

交并比（IoU）：也称为Jaccard指数，IoU是一种空间或时间一致性指标，评估预测段与真实段的重叠程度。

宏F1：F1分数是精确率和召回率的调和平均值。在多类1D分割中，我们使用宏版本以确保所有类别得到平等对待。

模型评估结果

下表中，模型名称以M的格式列出，其中k是内核大小，d是扩张率，i是模型的内部深度。