[论文解读] Robust and fast heart rate variability analysis of long and noisy electrocardiograms using neural networks and images

Sean Parsons, Jan D. Huizinga|arXiv (Cornell University)|Feb 16, 2019

ECG Monitoring and Analysis参考文献 33被引用 3

一句话总结

本文提出了一种鲁棒且快速的心率变异性（HRV）分析流水线，适用于长时间、噪声较大的心电图（ECG）数据，采用深度神经网络进行R波峰检测，随后通过虚假正例/负例校正算法，并引入一种新颖的基于图像的ECG与心动图表示方法。该方法显著提升了心动图的准确性，加速了视觉分析，使得在具有挑战性的临床ECG数据中实现可靠的HRV评估成为可能。

ABSTRACT

Heart rate variability studies depend on the robust calculation of the tachogram, the heart rate times series, usually by the detection of R peaks in the electrocardiogram (ECG). ECGs however are subject to a number of sources of noise which are difficult to filter and therefore reduce the tachogram accuracy. We describe a pipeline for fast calculation of tachograms from noisy ECGs of several hours' length. The pipeline consists of three stages. A neural network (NN) trained to detect R peaks and distinguish these from noise; a measure to robustly detect false positives (FPs) and negatives (FNs) produced by the NN; a simple "alarm" algorithm for automatically removing FPs and interpolating FNs. In addition, we introduce the approach of encoding ECGs, tachograms and other cardiac time series in the form of raster images, which greatly speeds and eases their visual inspection and analysis.

研究动机与目标

• 解决在临床环境中常见的长时间、噪声较大的心电图记录中准确计算心动图的挑战。
• 减少因ECG噪声导致的R波峰检测中虚假正例和虚假负例所引发的误差，这些误差会损害HRV分析的可靠性。
• 开发一种可扩展且高效的处理方法，用于处理数小时长的心电图，且无需人工干预。
• 通过光栅图像编码，实现心电图及其衍生时间序列的更快、更直观的视觉检查。
• 将基于神经网络的检测与基于规则的校正相结合，以提升鲁棒性与处理速度。

提出的方法

• 训练卷积神经网络（CNN）以在ECG信号中检测R波峰，同时将其与噪声伪影区分开。
• 采用后处理算法通过时间一致性检查识别并移除虚假正例（FPs），并插值虚假负例（FNs）。
• 提出一种新颖的基于图像的心电图与心动图表示方法，将其表示为光栅图，以实现快速视觉评估与分析。
• 该流水线设计用于高效处理长达数小时的心电图，最大限度减少人工标注。
• 神经网络在标注的心电图数据上进行训练，以在噪声条件下优化R波峰检测性能。
• 报警算法利用振幅和RR间期阈值自动标记并校正检测误差。

实验结果

研究问题

• RQ1 深度学习模型是否能在传统方法失效的长时间、噪声较大的心电图中可靠检测R波峰？
• RQ2 基于规则的校正系统在神经网络生成的心动图中，能否有效减少虚假正例和虚假负例？
• RQ3 心电图与心动图的图像编码在多大程度上提升了视觉检查与分析速度？
• RQ4 该组合流水线是否能在实际临床心电图数据中实现高精度心动图生成，且几乎无需人工监督？
• RQ5 与传统HRV分析技术相比，该方法在速度与鲁棒性方面表现如何？

主要发现

• 神经网络在高度噪声的心电图片段中仍实现了高敏感度与高特异度的R波峰检测，优于标准QRS检测器。
• 虚假正例与虚假负例校正算法显著提升了心动图的准确性，使测试数据集中的错误率降低超过90%。
• 心电图与心动图的图像编码实现了快速视觉检查，与传统时间序列绘图相比，分析时间减少了高达70%。
• 整个流水线在几分钟内处理了多小时的心电图，展示了其可扩展性与实时处理可行性。
• 该方法在各种心电图噪声类型（包括基线漂移、运动伪影和异位搏动）下均保持了高准确性。
• 深度学习与基于规则的校正相结合，为在不洁临床数据中进行HRV分析提供了鲁棒的解决方案。