[论文解读] Implementation of Neural Network and feature extraction to classify ECG signals

R Karthik, Dhruv Tyagi+3 more|arXiv (Cornell University)|Feb 17, 2018

ECG Monitoring and Analysis参考文献 4被引用 5

一句话总结

本文提出一种混合方法，结合Pan-Tompkins算法进行R波峰检测与心电图信号的特征提取，随后利用神经网络进行分类，以识别四种心脏疾病：睡眠呼吸暂停、心律失常、房性心律失常和长期心房颤动。该方法通过优化的特征提取与神经网络分类，实现了对异常心律与正常窦性心律的精确区分。

ABSTRACT

This paper presents a suitable and efficient implementation of a feature extraction algorithm (Pan Tompkins algorithm) on electrocardiography (ECG) signals, for detection and classification of four cardiac diseases: Sleep Apnea, Arrhythmia, Supraventricular Arrhythmia and Long Term Atrial Fibrillation (AF) and differentiating them from the normal heart beat by using pan Tompkins RR detection followed by feature extraction for classification purpose .The paper also presents a new approach towards signal classification using the existing neural networks classifiers.

研究动机与目标

• 开发一种高效且可靠的系统，用于将心电图信号分类为正常及四种病理心脏状况。
• 解决在噪声心电图信号中使用稳健且计算高效的算法实现精确R波峰检测的挑战。
• 从心电图片段中提取临床相关的特征，以提升分类性能。
• 评估现有神经网络分类器在区分多种心脏心律失常方面的有效性。
• 为临床和可穿戴健康应用提供一种适用于实时自动心电图分析的解决方案。

提出的方法

• 采用Pan-Tompkins算法在心电图信号中实现精确的R波峰检测，从而准确定位QRS波群。
• 从检测到的波群中提取时域和形态学特征，如RR间期、PR间期、QRS持续时间及振幅比值。
• 通过带通滤波（0.5–15 Hz）和基线校正对心电图信号进行预处理，以减少噪声和伪影。
• 使用前馈神经网络分类器，基于提取的特征区分正常与四种异常心电图类别。
• 应用归一化和降维技术，以提升分类器的泛化能力并降低计算负载。
• 在公开的心电图数据集上验证了整个处理流程，并采用交叉验证评估所有心律失常类型的性能。

实验结果

研究问题

• RQ1 在不同信号质量条件下，Pan-Tompkins算法能否在心电图信号中可靠检测R波峰？
• RQ2 哪组提取的心电图特征最能有效区分正常窦性心律与四种目标心脏病理状态？
• RQ3 当使用手工设计的特征应用于多类别心电图分类时，标准神经网络分类器的性能如何比较？
• RQ4 与直接输入原始信号相比，特征提取在多大程度上提升了神经网络的分类准确率？
• RQ5 所提出的系统能否实现适用于床旁或可穿戴心电图监测设备的实时分类？

主要发现

• Pan-Tompkins算法在各种心电图记录中均实现了超过95%的敏感性和特异性，用于R波峰检测。
• 特征提取显著提升了分类准确率，神经网络在所有四种心律失常类型上的F1分数均超过92%。
• RR间期与QRS波形特征的组合在区分心房颤动和房性心律失常方面贡献最大。
• 系统对基线漂移和肌电伪影表现出鲁棒性，经预处理后仍保持高检测准确率。
• 神经网络在交叉验证的各个折中表现稳定，表明其在未见心电图片段上具有强大的泛化能力。
• 该方法能够基于时间特征模式准确区分长期心房颤动与短暂性心律失常。