題目

無(wú)監(jiān)督心電圖分析一綜述

摘要

????????電心圖（ECG）是檢測(cè)異常心臟狀況的黃金標(biāo)準(zhǔn)技術(shù)。自動(dòng)檢測(cè)心電圖異常有助于臨床醫(yī)生分析心臟監(jiān)護(hù)儀每天產(chǎn)生的大量數(shù)據(jù)。由于用于訓(xùn)練監(jiān)督式機(jī)器學(xué)習(xí)模型的帶有心臟病專家標(biāo)簽的異常心電圖樣本數(shù)量有限，對(duì)于心電圖分析，越來(lái)越需要無(wú)監(jiān)督學(xué)習(xí)方法。無(wú)監(jiān)督學(xué)習(xí)旨在將心電圖樣本分成不同的異常類別，而無(wú)需心臟病專家提供的標(biāo)簽，這個(gè)過(guò)程被稱為心電圖聚類。除了異常檢測(cè)，心電圖聚類還最近發(fā)現(xiàn)了反映有關(guān)整個(gè)身體和思維的互和內(nèi)個(gè)體模式，例如情緒、心理障礙和代謝水平等有價(jià)值的信息。心電圖聚類還可以解決監(jiān)督學(xué)習(xí)系統(tǒng)面臨的特定挑戰(zhàn)，例如不平衡數(shù)據(jù)問(wèn)題，并可以增強(qiáng)生物識(shí)別系統(tǒng)。雖然已經(jīng)有關(guān)于監(jiān)督式心電圖系統(tǒng)的幾篇綜述文章，但是關(guān)于無(wú)監(jiān)督心電圖分析技術(shù)的綜合性綜述仍然缺乏。本研究主要回顧了過(guò)去十年主要發(fā)展的心電圖聚類技術(shù)。重點(diǎn)放在最近的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法以及它們的實(shí)際應(yīng)用上。我們對(duì)這些技術(shù)進(jìn)行了批判性的回顧和比較，討論了它們的應(yīng)用和局限性，并提供了未來(lái)的研究方向。這篇綜述深入洞察了心電圖聚類，并提供了采用適用于特定應(yīng)用的適當(dāng)算法所需的必要信息。

引言

????????電心圖（ECG）展現(xiàn)了心臟的電活動(dòng)。它在重癥監(jiān)護(hù)室以及日常監(jiān)測(cè)和可穿戴監(jiān)護(hù)儀中常規(guī)記錄，每天產(chǎn)生大量數(shù)據(jù)。已經(jīng)開(kāi)發(fā)了基于監(jiān)督式機(jī)器學(xué)習(xí)的許多系統(tǒng)，利用心電圖數(shù)據(jù)集和心臟病專家提供的標(biāo)簽，將心跳分類為正常和幾種異常類別[1]–[5]。然而，心臟病專家只能分析和標(biāo)記大量心電圖數(shù)據(jù)的一個(gè)小子集，以指示常見(jiàn)的心臟異常。此外，大多數(shù)帶有標(biāo)簽的心電圖數(shù)據(jù)集是在受控環(huán)境中獲得的，例如醫(yī)院和診所，并且與可能出現(xiàn)在不同生理和病理?xiàng)l件下的多樣化心電圖模式相比，包含的樣本非常有限。例如，從處于應(yīng)激狀態(tài)或患有糖尿病的個(gè)體獲取的心電圖數(shù)據(jù)的模式據(jù)顯示與正常情況下獲取的模式不同[6]，[7]。因此，最近提出了幾種無(wú)監(jiān)督學(xué)習(xí)方法，用于分析心電圖數(shù)據(jù)，而無(wú)需心臟病專家提供的標(biāo)簽，這個(gè)過(guò)程被稱為心電圖聚類。

????????然而，無(wú)監(jiān)督的心電圖分析的需求并不僅僅源于心臟病專家提供的標(biāo)簽的不足。實(shí)際上存在著患者之間和患者內(nèi)部的心電圖模式和結(jié)構(gòu)，如果被發(fā)現(xiàn)，可以進(jìn)一步揭示有關(guān)心血管系統(tǒng)以及整個(gè)身體和心智的寶貴信息。發(fā)現(xiàn)這些關(guān)系可以揭示各種健康狀況的復(fù)雜機(jī)制和重要生物標(biāo)志物，以及心智和身體的狀態(tài)，并最終指導(dǎo)醫(yī)生進(jìn)行精細(xì)的治療決策。值得注意的是，由于其復(fù)雜性和大量的數(shù)據(jù)，這些模式的視覺(jué)識(shí)別是不可能的。然而，這些模式可以通過(guò)聚類技術(shù)自動(dòng)識(shí)別。例如，心電圖聚類已經(jīng)幫助研究人員，特別是在心理生理學(xué)領(lǐng)域，發(fā)現(xiàn)與不同情緒狀態(tài)（如悲傷和情緒壓力）、腦部疾?。ㄈ绨d癇）以及嗜睡狀態(tài)等相關(guān)的隱藏的心電圖模式[6]，[8]，[9]。心電圖聚類還使研究人員能夠發(fā)現(xiàn)在患有不同健康狀況的患者中存在著明顯的心臟異常和代謝水平差異，包括糖尿病[7]，夜間低血糖[10]，栓塞性腦卒中[11]以及動(dòng)脈粥樣硬化[12]。

????????除了作為更廣泛的知識(shí)發(fā)現(xiàn)系統(tǒng)的一部分應(yīng)用之外，聚類技術(shù)，特別是基于深度學(xué)習(xí)的無(wú)監(jiān)督方法，如自編碼器[13]，[14]和生成對(duì)抗網(wǎng)絡(luò)[15]，還被用于克服心電圖監(jiān)督學(xué)習(xí)系統(tǒng)面臨的一些挑戰(zhàn)，如解決不平衡數(shù)據(jù)問(wèn)題[16]和低級(jí)別的個(gè)體化心電圖分類器自動(dòng)化[17]–[19]。此外，心電圖聚類已經(jīng)在生物特征認(rèn)證[20]–[23]、心電圖分割[24]，[25]和從腹部心電圖中提取胎兒心電圖[26]方面得到了應(yīng)用。

????????迄今為止，已經(jīng)有一些研究回顧了監(jiān)督學(xué)習(xí)的心電圖分析技術(shù)[2]–[4]，[27]–[30]。然而，據(jù)作者所知，這項(xiàng)工作是第一個(gè)對(duì)無(wú)監(jiān)督心電圖分析系統(tǒng)進(jìn)行全面且批判性的回顧。在這項(xiàng)工作中，我們回顧了臨床/醫(yī)療應(yīng)用中的無(wú)監(jiān)督心電圖分析系統(tǒng)以及這些系統(tǒng)所采用的相關(guān)機(jī)器學(xué)習(xí)方法 - 從傳統(tǒng)模型到最近的深度學(xué)習(xí)模型。為了進(jìn)行全面的回顧，我們搜索了多個(gè)平臺(tái)，包括IEEEXplore、ScienceDirect、Google Scholar、Scopus和PubMed數(shù)據(jù)庫(kù)，并在著名期刊和由知名引用指數(shù)排名的會(huì)議上選擇了大多數(shù)在過(guò)去十年內(nèi)發(fā)表的研究。我們討論了這些最新研究，進(jìn)行了比較，概述了它們的局限性，并提供了未來(lái)的方向。這將使研究人員能夠方便地獲取所需信息，并選擇適合其特定應(yīng)用的適當(dāng)算法。

心電圖（ECG）聚類

????????在應(yīng)用聚類算法之前，典型的心電圖（ECG）聚類流程包括幾個(gè)數(shù)據(jù)準(zhǔn)備和預(yù)處理步驟。在本節(jié)中，我們將簡(jiǎn)要回顧用于有效聚類心電圖數(shù)據(jù)的數(shù)據(jù)準(zhǔn)備技術(shù)，包括去噪、分割和特征工程。然后，我們將廣泛回顧傳統(tǒng)和最新的聚類算法，包括深度學(xué)習(xí)方法，并進(jìn)行批判性比較。

心電圖聚類的數(shù)據(jù)準(zhǔn)備

????????用于去噪、分割和特征工程的方法在很大程度上與監(jiān)督學(xué)習(xí)系統(tǒng)中使用的方法重疊。在這里，我們簡(jiǎn)要介紹這些技術(shù)，特別是那些專為心電圖聚類量身定制的技術(shù)。感興趣的讀者可以參考文獻(xiàn)[2]至[4]以獲取更詳細(xì)的信息。

????????1）去噪和偽影去除：此步驟旨在減少患者呼吸、皮膚伸展、電力線干擾和肌肉收縮的扭曲效應(yīng)。心電圖去噪系統(tǒng)通?；谝苿?dòng)平均濾波器、頻率選擇性濾波器、維納濾波器、自適應(yīng)濾波器和離散小波變換[31]。關(guān)于心電圖去噪方法的更多信息可以在[31]中找到。

????????2）分割：經(jīng)過(guò)去噪處理的心電圖信號(hào)通常通過(guò)自動(dòng)識(shí)別心跳來(lái)分割成準(zhǔn)周期單元。一個(gè)心跳包括幾個(gè)電波，稱為P、QRS和T波，它們代表心臟房室（心房和心室）的去極化（收縮）和復(fù)極化（舒張）[32]。

????????大多數(shù)心電圖聚類研究會(huì)檢測(cè)QRS波復(fù)合物的峰值，即R峰，并沿著信號(hào)考慮兩個(gè)連續(xù)R峰之間的間隔，即整個(gè)心臟周期，作為分割單位。很少有研究考慮了心電圖信號(hào)的其他特征點(diǎn)用于分割[33]–[35]。鑒于心電圖周期的PR、ST和TP段的異常形態(tài)可以指示常見(jiàn)的心臟疾病，如心肌缺血、低鉀血癥和心房顫動(dòng)[32]，在分割中加入其他心電圖特征點(diǎn)可以改善聚類結(jié)果。有些研究并不是通過(guò)在心電圖信號(hào)中識(shí)別心臟周期來(lái)進(jìn)行分割，而是將信號(hào)分成固定的時(shí)間間隔，而不識(shí)別任何特征點(diǎn)[36]，[37]。還有一些心電圖聚類方法不執(zhí)行分割[38]，[39]。這些方法直接從心電圖信號(hào)中提取特征，而不識(shí)別任何生理特征點(diǎn)。

????????3）特征工程：這一步旨在獲取心電圖片段的最具信息量的特征，以促進(jìn)下游的無(wú)監(jiān)督學(xué)習(xí)任務(wù)。在這里，我們簡(jiǎn)要介紹傳統(tǒng)的心電圖特征工程方法。更近期的深度學(xué)習(xí)方法在第 II-C 節(jié)中進(jìn)行了介紹。

????????專業(yè)醫(yī)生通常會(huì)檢查 P、QRS 和 T 波的時(shí)間和幅度特征以診斷心臟疾病。然而，心臟異常并不總是在時(shí)間域中可見(jiàn)[40]。通過(guò)功率譜分析和時(shí)頻分析（如小波變換）獲得的心電圖信號(hào)頻率信息可以填補(bǔ)這一空白。在小波變換中，將輸入的心電圖與一組稱為小波的有限持續(xù)函數(shù)之間的相關(guān)性被視為心電圖特征[36]，[41]。有關(guān)時(shí)域、電壓域和頻域特征工程方法的更多詳細(xì)信息，感興趣的讀者可以參考以下來(lái)源[3]，[4]，[29]，[30]。

????????最近，受自然啟發(fā)的基于群體的優(yōu)化方法，如螢火蟲(chóng)算法和粒子群優(yōu)化，也被用于特征工程[42]，[43]。這些方法搜索那些在可能特征的龐大人群中，能夠在分類或聚類性能方面表現(xiàn)最佳的特征。例如，Kora [42] 將心電圖信號(hào)上的每個(gè)點(diǎn)視為可能的特征。她使用螢火蟲(chóng)算法，尋找能夠最大化用于將心電圖片段分類為正常和心肌梗死類別的神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性的點(diǎn)。有關(guān)受自然啟發(fā)的特征工程方法的更多信息，我們將讀者引薦至以下來(lái)源[44]–[46]。

????????最后，將心電圖的分割單元進(jìn)行聚類，每個(gè)組包含那些根據(jù)預(yù)定義的相似度度量，其對(duì)應(yīng)的特征向量彼此之間比與其他組中的特征向量更相似的片段。

聚類算法

????????在聚類中，衡量?jī)蓚€(gè)心電圖片段之間距離的相似性（或不相似性）度量是至關(guān)重要的。在各種現(xiàn)有的相似性度量中，歐幾里得距離、余弦系數(shù)和動(dòng)態(tài)時(shí)間規(guī)整距離[47]是心電圖聚類中廣泛使用的三個(gè)度量標(biāo)準(zhǔn)。前兩者通常用于衡量以時(shí)間和形態(tài)特征或小波系數(shù)表示的心電圖單元之間的相似性。動(dòng)態(tài)時(shí)間規(guī)整是一種測(cè)量?jī)蓚€(gè)時(shí)間序列之間相似性的方法，這些序列的長(zhǎng)度可能不同。在這里，我們簡(jiǎn)要介紹用于心電圖聚類的傳統(tǒng)聚類算法。最近基于深度學(xué)習(xí)的聚類算法在第 II-C 節(jié)中進(jìn)行了描述。在第 II-D 節(jié)中討論了所介紹算法在心電圖分析中的優(yōu)勢(shì)和局限性，并在表格 I 中進(jìn)行了總結(jié)。

基于中心點(diǎn)的聚類

????????基于中心點(diǎn)的聚類技術(shù)根據(jù)心電圖片段與這些組的中心點(diǎn)的相似性將它們分成不同的組。中心點(diǎn)被視為其相應(yīng)組的代表性片段。K均值是最知名的基于中心點(diǎn)的聚類算法，它將群集中心點(diǎn)視為該群集中心的心電圖片段（或其特征向量）的平均值。在無(wú)監(jiān)督的心電圖分析中，K均值的變種包括模糊C均值[48]、親和傳播[49]和最大最小聚類[50]。這些算法在獲取中心點(diǎn)方面有所不同。例如，親和傳播通過(guò)交換攜帶心電圖片段之間相似性的消息來(lái)獲取中心點(diǎn)?；谥行狞c(diǎn)的聚類算法通常易于實(shí)現(xiàn)，并且計(jì)算成本低。然而，它們通常不適用于處理噪聲、離群值和高維特征空間。

層次聚類

????????層次聚類將每個(gè)心電圖片段視為一個(gè)獨(dú)立的群集，并合并最相似的群集，直到只剩下一個(gè)群集（包括整個(gè)數(shù)據(jù)集）。與基于中心點(diǎn)的聚類算法相比，層次聚類算法通常具有更高的計(jì)算成本；然而，這些方法的獨(dú)特之處在于生成的樹(shù)狀圖，它可可視化群集之間的層次關(guān)系，有助于醫(yī)生的解釋[51]。

基于分布的聚類

????????這類聚類算法的目標(biāo)是找出心電圖片段屬于各個(gè)群集的概率。高斯混合模型（GMM）是一種著名的基于分布的聚類算法，在已審查的研究中被廣泛采用[36]，[37]。GMM假設(shè)多個(gè)高斯分布生成心電圖片段；也就是說(shuō)，每個(gè)群集由高斯分布的均值和均值周圍的標(biāo)準(zhǔn)差定義。Dirichlet過(guò)程GMM是GMM的一種變體，它不需要初始的群集數(shù)量（即數(shù)據(jù)空間中的高斯成分）[52]。DPGMM通過(guò)變分貝葉斯推斷自動(dòng)學(xué)習(xí)群集數(shù)量，這是一種估計(jì)群集的先驗(yàn)分布的迭代算法?；诜植嫉木垲愃惴ㄟm用于處理噪聲和離群值，但通常會(huì)產(chǎn)生較高的計(jì)算成本。值得注意的是，DPGMM的計(jì)算成本比GMM更高。

基于密度的聚類

????????密度通常被定義為在一定預(yù)定義半徑內(nèi)的數(shù)據(jù)點(diǎn)數(shù)量?；诿芏鹊木垲悓⑷杭暈閿?shù)據(jù)空間中具有較高密度的區(qū)域。DBSCAN [53] 和自組織映射（self-organizing map，SOM）[54] 是已被用于心電圖聚類的著名基于密度的聚類算法。DBSCAN 將區(qū)域視為一個(gè)群集，如果其密度超過(guò)預(yù)定義的閾值。它能夠有效處理噪聲和離群值；然而，產(chǎn)生的群集在很大程度上取決于半徑和閾值的選擇。自組織映射（SOM）是一種神經(jīng)網(wǎng)絡(luò)類型，它將輸入片段映射到二維網(wǎng)格中，假設(shè)在心電圖片段之間存在特定的拓?fù)浣Y(jié)構(gòu)。生成的網(wǎng)格在高密度區(qū)域彎曲和扭曲[54]。SOM在二維網(wǎng)格中提供了群集的可解釋性組織；然而，它會(huì)產(chǎn)生較高的計(jì)算成本。

譜聚類

????????譜聚類將聚類問(wèn)題轉(zhuǎn)化為圖分割問(wèn)題[55]，其目標(biāo)是將圖分割為子圖，使連接子圖的邊的權(quán)重之和最小化。在心電圖聚類中，將心電圖片段視為節(jié)點(diǎn)，并將它們之間的相似性表示為連接節(jié)點(diǎn)的邊的權(quán)重[56]。譜聚類能夠有效處理高維特征空間，但會(huì)產(chǎn)生較高的計(jì)算和空間成本[47]。??

基于群體智能的聚類

????????群體智能模型將聚類問(wèn)題視為一個(gè)優(yōu)化任務(wù)，其目標(biāo)是最大化群集內(nèi)心電圖片段之間的整體相似性。例如，在蟻群聚類算法中[57]，一群螞蟻隨機(jī)地從一個(gè)心電圖片段移動(dòng)到另一個(gè)，并根據(jù)它們的相似性為片段分配一個(gè)值（即信息素）。然后，群集被識(shí)別為其相似性值超過(guò)預(yù)定義閾值的片段。粒子群優(yōu)化[58]和人工蜂群[59]是其他用于心電圖聚類的基于群體智能的算法[41]，[60]，[61]?；谌后w智能的聚類算法在搜索最佳群集解時(shí)可以避免局部最優(yōu)解，具有高質(zhì)量的群集。然而，由于這些算法的隨機(jī)性質(zhì)，它們通常會(huì)產(chǎn)生較高的計(jì)算成本，尤其在大規(guī)模數(shù)據(jù)集中。

最大間隔聚類

????????最大間隔聚類（Maximum Margin Clustering，MMC）[62]利用支持向量機(jī)（Support Vector Machines，SVM）在未標(biāo)記數(shù)據(jù)上執(zhí)行聚類。具體而言，它找到一組心電圖片段的標(biāo)簽，以最大化在標(biāo)記片段上運(yùn)行SVM獲得的間隔。MMC的主要缺點(diǎn)是其解決非凸整數(shù)問(wèn)題的計(jì)算成本較高的步驟[34]。

集成聚類

????????在集成聚類中，來(lái)自一個(gè)或多個(gè)聚類算法的多次運(yùn)行結(jié)果被整合，以達(dá)到比單獨(dú)聚類算法獲得的數(shù)據(jù)更好的一致性群集。例如，Abawajy等人[38]整合了K均值和GMM的結(jié)果用于心電圖聚類，而Aidos等人[63]則構(gòu)建了一個(gè)包含200次K均值運(yùn)行的集成，每次運(yùn)行使用不同的K值。

排列分布聚類

????????這個(gè)算法專門用于對(duì)時(shí)間序列進(jìn)行聚類，通過(guò)分析排列分布中的差異來(lái)找到時(shí)間序列之間的相似性。這是通過(guò)計(jì)算時(shí)間序列嵌入中不同順序模式的頻率來(lái)實(shí)現(xiàn)的[64]。

基于深度學(xué)習(xí)的聚類

????????基于深度學(xué)習(xí)的聚類算法近來(lái)受到了廣泛關(guān)注，并在許多任務(wù)中取得了比傳統(tǒng)機(jī)器學(xué)習(xí)算法更優(yōu)越的性能[65]。這些算法相對(duì)于傳統(tǒng)的聚類算法的主要優(yōu)勢(shì)在于它們跳過(guò)了傳統(tǒng)的特征工程步驟，可以自動(dòng)學(xué)習(xí)用于聚類的最佳特征集?；谏疃葘W(xué)習(xí)的聚類方法根據(jù)其體系結(jié)構(gòu)分為三類[65]：（1）自編碼器，（2）前饋網(wǎng)絡(luò)，以及（3）深度生成模型。對(duì)于每一類，我們介紹了在心電圖聚類方面的最新進(jìn)展，并介紹了最先進(jìn)的算法，這些算法有望進(jìn)一步增強(qiáng)心電圖聚類的性能。

深度自編碼器

????????自編碼器由編碼器和解碼器組成，編碼器是一個(gè)將輸入數(shù)據(jù)轉(zhuǎn)換為低維特征向量的神經(jīng)網(wǎng)絡(luò)，接著是解碼器，它是一個(gè)從這個(gè)低維特征向量中重構(gòu)出原始輸入的神經(jīng)網(wǎng)絡(luò)。編碼器和解碼器同時(shí)進(jìn)行訓(xùn)練，以最小化重構(gòu)損失：即原始輸入與解碼輸出之間的差異。深度聚類網(wǎng)絡(luò)[13]和深度嵌入網(wǎng)絡(luò)[14]是兩個(gè)基于自編碼器的常見(jiàn)聚類算法，已被用于心電圖分析[66]–[68]。這些算法的背后思想是在訓(xùn)練網(wǎng)絡(luò)時(shí)，除了重構(gòu)損失外還引入了聚類損失。在深度聚類網(wǎng)絡(luò)中，引入了K均值損失，而在深度嵌入網(wǎng)絡(luò)中，引入了兩個(gè)約束，即保留局部性和群組稀疏性，以保留數(shù)據(jù)的局部結(jié)構(gòu)并對(duì)表示的關(guān)聯(lián)性進(jìn)行對(duì)角化。這些算法的一些應(yīng)用在第 III-A 節(jié)中進(jìn)一步進(jìn)行了審查。

深度前饋網(wǎng)絡(luò)

????????這組算法只在訓(xùn)練深度網(wǎng)絡(luò)時(shí)引入了聚類損失。網(wǎng)絡(luò)架構(gòu)可以是全連接的、卷積的，或者兩者的組合。網(wǎng)絡(luò)的權(quán)重可以隨機(jī)初始化，也可以使用在預(yù)訓(xùn)練網(wǎng)絡(luò)上使用受限玻爾茲曼機(jī)進(jìn)行微調(diào)[69]。深度自適應(yīng)聚類（Deep Adaptive Clustering，DAC）[70]是一種流行的深度前饋聚類網(wǎng)絡(luò)。它是一個(gè)單層卷積神經(jīng)網(wǎng)絡(luò)（CNN），采用二元成對(duì)分類方法進(jìn)行訓(xùn)練。簡(jiǎn)而言之，首先使用CNN將輸入樣本映射到一個(gè)獨(dú)熱編碼向量。然后計(jì)算所有樣本對(duì)之間的余弦距離。由于地面真實(shí)的相似性是未知的，使用自適應(yīng)學(xué)習(xí)算法，即自適應(yīng)潛變量學(xué)習(xí)[71]來(lái)根據(jù)估計(jì)的相似性訓(xùn)練CNN的權(quán)重。DAC最初是針對(duì)圖像聚類提出的，并在幾個(gè)具有挑戰(zhàn)性的圖像數(shù)據(jù)集上取得了優(yōu)越性能。通過(guò)對(duì)其CNN架構(gòu)進(jìn)行一些修改，DAC也可以用于心電圖分析，作為未來(lái)可能的方向。

深度生成模型

????????變分自編碼器（Variational Autoencoders，VAEs）[72]和生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GANs）[15]是近年來(lái)最流行的深度生成模型。VAEs強(qiáng)制自編碼器學(xué)習(xí)的潛在表示遵循預(yù)定義分布，通常是高斯混合分布。變分深度嵌入（Variational Deep Embedding，VDE）是一種基于VAE的聚類算法，已被用于心電圖分析[74]。這個(gè)算法可以被看作是傳統(tǒng)的GMM聚類算法的深度學(xué)習(xí)版本，其中特征空間是自動(dòng)學(xué)習(xí)的。

????????生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GANs）旨在基于真實(shí)數(shù)據(jù)生成一組偽造數(shù)據(jù)，使偽造數(shù)據(jù)的分布與真實(shí)數(shù)據(jù)相似。簡(jiǎn)而言之，GAN由兩個(gè)子模塊組成：（1）生成器（Generator），用于生成偽造數(shù)據(jù)，以及（2）鑒別器（Discriminator），用于區(qū)分生成器生成的偽造數(shù)據(jù)與真實(shí)數(shù)據(jù)。在G和D中學(xué)習(xí)一組參數(shù)，使生成器和鑒別器之間的極小極大博弈達(dá)到納什均衡。

????????CatGAN [75] 是基于GAN的一種常見(jiàn)的聚類算法。它強(qiáng)制鑒別器將訓(xùn)練數(shù)據(jù)分類為預(yù)定義數(shù)量的類別（而不僅僅是偽造和真實(shí)數(shù)據(jù)），同時(shí)對(duì)于對(duì)生成器生成的樣本分類的置信度較低。ClusterGAN是CatGAN的一個(gè)變體，最近在許多其他基于深度學(xué)習(xí)的聚類算法中展現(xiàn)出卓越的性能，在不同的聚類任務(wù)中表現(xiàn)出色[76]。由于這些算法尚未在心電圖分析中應(yīng)用，它們?cè)谛碾妶D分析中的應(yīng)用可能是一個(gè)未來(lái)的研究方向。

????????除了聚類，基于深度生成的算法還可以學(xué)習(xí)從獲得的群集中生成新樣本。最近，一些研究采用了GAN生成新的心跳數(shù)據(jù)，以解決監(jiān)督式心電異常分類中持續(xù)存在的數(shù)據(jù)不平衡問(wèn)題之一[18]，[19]。在第III-E節(jié)中，我們將討論這些方法的應(yīng)用。

心電圖分析中聚類算法的比較

????????表格I對(duì)不同的心電圖聚類算法進(jìn)行了比較。聚類算法處理噪聲和異常值的能力在心電圖聚類中是一個(gè)重要因素，因?yàn)榇蠖鄶?shù)公開(kāi)可用的心電圖數(shù)據(jù)集中存在異常值，這可能會(huì)對(duì)聚類結(jié)果的結(jié)構(gòu)產(chǎn)生不利影響。

????????聚類算法的時(shí)間復(fù)雜度是另一個(gè)重要因素。對(duì)于需要實(shí)時(shí)分析心電圖的應(yīng)用（例如，在重癥監(jiān)護(hù)室環(huán)境中），盡管生成高質(zhì)量的聚類可能性可能較高，但計(jì)算成本較高的聚類算法可能是不可行的選擇。K均值、模糊C均值和最大最小算法的計(jì)算成本較低；然而，它們處理異常值的能力低于計(jì)算成本更高的算法，如DBSCAN、GMM、層次聚類、譜聚類和基于深度學(xué)習(xí)的聚類。在這些算法中，DBSCAN的計(jì)算成本最低，盡管它對(duì)其超參數(shù)的選擇（鄰域半徑和鄰域中的最小點(diǎn)數(shù)）敏感。此外，DBSCAN在數(shù)據(jù)空間的固有密度不均勻的情況下不適用。

????????在選擇有效的心電圖聚類算法時(shí)，尋找任意形狀（即非凸形狀）的群集和處理高維特征空間也是其他重要因素。盡管距離基礎(chǔ)聚類算法（如K均值）大多能夠找到凸形狀的群集，但心電圖數(shù)據(jù)集中的群集可能呈現(xiàn)任意形狀?；诿芏群突谏疃葘W(xué)習(xí)的聚類算法能夠有效地找到非凸形狀的群集，但計(jì)算成本比距離基礎(chǔ)的聚類算法更高。

????????心電圖分析中的特征空間通常是高維的，因?yàn)橥ǔ男碾妶D中提取了許多特征，而訓(xùn)練心電圖樣本的數(shù)量通常有限。基于圖的和基于深度學(xué)習(xí)的聚類算法通常會(huì)產(chǎn)生較高的計(jì)算成本。特別是，與傳統(tǒng)算法相比，基于深度學(xué)習(xí)的算法在處理高維數(shù)據(jù)方面更為有效；然而，深度學(xué)習(xí)方法需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練。

????????除了上述考慮因素，一些聚類算法還提供了用于可視化的獨(dú)特功能。例如，層次聚類提供了可視化聚類之間的層次關(guān)系的樹(shù)狀圖，自組織映射則提供了一個(gè)二維網(wǎng)格，可視化數(shù)據(jù)集中的一些特定拓?fù)浣Y(jié)構(gòu)。關(guān)于聚類算法及其優(yōu)缺點(diǎn)的更多信息，我們建議讀者參考[47]、[65]、[77]。

應(yīng)用領(lǐng)域

????????迄今為止，我們已將無(wú)監(jiān)督的心電圖分析研究按照六個(gè)應(yīng)用領(lǐng)域進(jìn)行分類，如圖1所示。最成熟的應(yīng)用是心跳聚類，它在大量心電圖數(shù)據(jù)中提供了簡(jiǎn)潔而易于理解的心跳組織方式。最近和創(chuàng)新的研究方向旨在探索心血管系統(tǒng)與整個(gè)身體和心靈之間的關(guān)系。無(wú)監(jiān)督的心電圖分析還被用于提高監(jiān)督式異常檢測(cè)和基于心電圖的身份驗(yàn)證系統(tǒng)的性能。

?心跳聚類

????????心跳聚類的有效性通常在具有心臟病專家標(biāo)簽的心電圖數(shù)據(jù)集上進(jìn)行衡量。每個(gè)得到的簇預(yù)計(jì)只包含屬于一個(gè)標(biāo)簽的心跳。分類指標(biāo)（如準(zhǔn)確度和敏感性）和相似度指標(biāo)（如Jaccard系數(shù)和歸一化互信息）被廣泛用作成功度量標(biāo)準(zhǔn)。Jaccard系數(shù)和歸一化互信息的取值范圍從0到1，較高的值表示已識(shí)別的簇與真實(shí)標(biāo)簽很好地匹配。輪廓分?jǐn)?shù)是另一個(gè)廣泛使用的測(cè)量標(biāo)準(zhǔn)，它不需要真實(shí)的簇。輪廓分?jǐn)?shù)衡量了樣本相對(duì)于其他簇的相似性，范圍從-1到1，較高的值表示樣本與其簇很好地匹配且與其他簇分開(kāi)。

????????用于評(píng)估心電圖聚類方法的數(shù)據(jù)集包括MIT-BIH心律失常數(shù)據(jù)集、Physikalisch-Technische Bundesanstalt (PTB)數(shù)據(jù)集、St.-Petersburg Institute of Cardiological Technics 12-導(dǎo)聯(lián)心律失常(CTAD)數(shù)據(jù)集、UCR心律失常數(shù)據(jù)集和BIDMC充血性心力衰竭數(shù)據(jù)集，其中MIT-BIH心律失常數(shù)據(jù)集是最常用的數(shù)據(jù)集之一。

????????在眾多研究中，Lagerholm等人設(shè)計(jì)了一種有效的心跳聚類系統(tǒng)，將以小波系數(shù)表示的QRS復(fù)合物分為25個(gè)簇，并使用自組織映射獲得了高準(zhǔn)確度（98.5%）的結(jié)果。通過(guò)使用自組織映射，他們提供了一個(gè)保留數(shù)據(jù)集內(nèi)某些拓?fù)湫畔⒌泥徲蛴成洌ㄈ?維網(wǎng)格），最終有助于心臟病專家的解釋。

????????大量研究集中于通過(guò)采用各種聚類和優(yōu)化技術(shù)來(lái)提高心電圖聚類的準(zhǔn)確性，如蟻群聚類、蜜蜂群聚類、最大間隔聚類、高斯混合模型、層次聚類、K均值、親和傳播和深度自動(dòng)編碼器網(wǎng)絡(luò)。這些算法中，由Balouchestani和Krishnan提出的聚類系統(tǒng)在MIT-BIH數(shù)據(jù)集上取得了最高的準(zhǔn)確度（99.98%）。他們采用了基于K均值、壓縮感知理論和K奇異值分解的方法，將心跳分成正常、上心室異位、心室異位、融合和不可分類的五組。

????????盡管這些深度學(xué)習(xí)研究取得了令人鼓舞的結(jié)果，但仍然需要更先進(jìn)的聚類算法，可以自動(dòng)處理不平衡數(shù)據(jù)問(wèn)題，而無(wú)需預(yù)處理算法和專家分析。在這方面，可以進(jìn)一步研究基于深度生成模型的算法，例如ClusterGAN，它可以學(xué)習(xí)從少數(shù)簇中生成新的樣本。未來(lái)的研究還應(yīng)專注于在大規(guī)模公共心電圖數(shù)據(jù)集上應(yīng)用基于深度學(xué)習(xí)的聚類算法，例如由Zheng等人收集的數(shù)據(jù)集和Wagner等人的數(shù)據(jù)集。

????????從臨床角度來(lái)看，一些研究利用符號(hào)化進(jìn)行了創(chuàng)新的心電圖聚類。他們通過(guò)使用最大-最小聚類算法對(duì)心跳進(jìn)行聚類，并為每個(gè)識(shí)別出的簇分配符號(hào)，將心電圖信號(hào)轉(zhuǎn)化為符號(hào)字符串。在符號(hào)表示下，他們搜索代表不規(guī)則活動(dòng)的熵增子序列。他們的方法成功地檢測(cè)到一個(gè)心房異位節(jié)律序列，這一點(diǎn)被心臟病專家忽視了。類似地，他們還將工作擴(kuò)展到了風(fēng)險(xiǎn)分層，成功地找出了在急性冠狀動(dòng)脈綜合癥治療后的90天內(nèi)，雖然接受了相似治療，但死亡風(fēng)險(xiǎn)升高的患者。從臨床監(jiān)測(cè)心臟的角度來(lái)看，12導(dǎo)聯(lián)心電圖是一種標(biāo)準(zhǔn)的臨床協(xié)議，通過(guò)在患者身體的10個(gè)不同位置上連接電極來(lái)記錄電活動(dòng)。為了從12導(dǎo)聯(lián)心電圖中獲取特征，通常會(huì)將從每個(gè)導(dǎo)聯(lián)提取的特征進(jìn)行串聯(lián)。然而，這種表示通常不能保留12個(gè)信號(hào)的相對(duì)位置。為了解決這個(gè)問(wèn)題，He等人使用了張量分解技術(shù)。他們將通過(guò)每個(gè)導(dǎo)聯(lián)記錄的心電圖表示為其小波系數(shù)：W ∈ RV ×L，其中V和L分別表示導(dǎo)聯(lián)數(shù)和小波系數(shù)數(shù)。然后，通過(guò)張量化，W被分解為W′ ∈ RI1×I2×I3，其中I1、I2和I3分別代表記錄的信號(hào)、采樣時(shí)間和小波頻率子帶。他們使用高斯混合模型將12導(dǎo)聯(lián)心電圖的張量表示分為兩個(gè)簇，分別對(duì)應(yīng)于正常和異常心電圖。他們的系統(tǒng)在包含兩段30分鐘12導(dǎo)聯(lián)心電圖記錄的CTAD數(shù)據(jù)集的子集上達(dá)到了0.93的高Jaccard系數(shù)。

?心電圖與心態(tài)狀態(tài)

????????心態(tài)狀態(tài)、情緒和精神障礙常常與自主神經(jīng)系統(tǒng)（ANS）相關(guān)聯(lián)。自主神經(jīng)系統(tǒng)和心臟之間通過(guò)心臟的竇房結(jié)（SA結(jié)）進(jìn)行雙向交互作用[8]，[115]，[116]。竇房結(jié)，也被稱為心臟的起搏器，產(chǎn)生電脈沖刺激心臟肌肉收縮和泵血[32]。近年來(lái)，心電圖聚類在心理生理學(xué)等領(lǐng)域有助于研究人員發(fā)現(xiàn)與不同心態(tài)狀態(tài)相關(guān)的隱藏心電圖模式。

????????這些研究中使用的數(shù)據(jù)集通常由健康個(gè)體在不同情緒狀態(tài)下或患有精神障礙的患者獲得的心電圖（ECG）和阻抗心動(dòng)圖（ICG）信號(hào)組成。特征工程階段依賴于提取出的一系列心電圖和阻抗心動(dòng)圖特征的組合。在這里，與評(píng)估所得簇的質(zhì)量不同，通常會(huì)執(zhí)行統(tǒng)計(jì)假設(shè)檢驗(yàn)，例如t檢驗(yàn)，以衡量每個(gè)簇中的心電圖（和阻抗心動(dòng)圖）特征與該簇個(gè)體心態(tài)狀態(tài)的相關(guān)性。將不同的心態(tài)狀態(tài)視為基本事實(shí)簇，并通過(guò)問(wèn)卷手動(dòng)識(shí)別，或通過(guò)對(duì)腦電圖（EEG）信號(hào)進(jìn)行聚類自動(dòng)識(shí)別。因此，可以使用衡量所識(shí)別的簇與基本事實(shí)標(biāo)簽之間相似性的指標(biāo)，如NMI [105]和Jaccard系數(shù)[104]，以提高這些研究的可靠性。
????????在本節(jié)中，我們回顧了在這個(gè)研究方向上的新穎研究。已評(píng)審研究的摘要詳見(jiàn)表格III。由于已評(píng)審的研究針對(duì)不同的心理狀態(tài)，使用了各種私有數(shù)據(jù)集，所以這些聚類技術(shù)并沒(méi)有相互進(jìn)行比較。然而，我們會(huì)從所采用的聚類算法、特征工程和實(shí)驗(yàn)方案方面對(duì)現(xiàn)有研究進(jìn)行批判性審查，并提供未來(lái)的研究方向。

????????最近，Hoemann等人[98]對(duì)從67名參與者獲取的日常心電圖（ECG）和阻抗心動(dòng)圖（ICG）信號(hào)進(jìn)行了聚類，以研究心肺活動(dòng)與情緒細(xì)致度之間的關(guān)聯(lián)。情緒細(xì)致度描述了個(gè)體準(zhǔn)確區(qū)分情緒的能力。情緒細(xì)致度較低與精神障礙，包括精神分裂癥、自閉癥和抑郁癥等有關(guān)[98]。Hoemann等人采用了Dirichlet過(guò)程高斯混合模型來(lái)找到數(shù)據(jù)中最優(yōu)的簇?cái)?shù)。他們發(fā)現(xiàn)ECG和ICG可以用來(lái)識(shí)別不同水平的情緒細(xì)致度。

????????Leal等人[8]通過(guò)ECG聚類研究了癲癇患者的ECG時(shí)間間隔特征與癲癇前期間隔（即癲癇發(fā)作前的短時(shí)間）之間的關(guān)系，以預(yù)測(cè)癲癇發(fā)作，讓患者有足夠的時(shí)間準(zhǔn)備迎接即將發(fā)作的癲癇。他們對(duì)從癲癇患者的ECG中提取的時(shí)間間隔進(jìn)行了K均值、DBSCAN和高斯混合模型聚類，以查看是否存在一個(gè)與其他簇明顯分離的簇，表示癲癇前期間隔。他們發(fā)現(xiàn)在41%的癲癇發(fā)作中存在這樣一個(gè)簇，表示癲癇發(fā)作前2至9分鐘的間隔。Babaeian和Mozumdar[9]提出了一種通過(guò)聚類佩戴式設(shè)備收集的ECG來(lái)檢測(cè)駕駛員困倦的系統(tǒng)。他們對(duì)時(shí)間間隔特征進(jìn)行了基于密度的聚類，發(fā)現(xiàn)了與清醒、瞌睡和睡眠狀態(tài)相關(guān)的三個(gè)簇。

????????Carreiras等人[86]旨在通過(guò)ECG聚類來(lái)檢測(cè)在解決具有挑戰(zhàn)性的數(shù)學(xué)問(wèn)題時(shí)個(gè)體注意力的下降。在注意力要求高的任務(wù)中，如手術(shù)和駕駛，檢測(cè)注意力下降是重要的，因?yàn)樵谶@些任務(wù)中缺乏注意力可能會(huì)造成災(zāi)難性后果。他們的工作受到了這樣一個(gè)事實(shí)的啟發(fā)，即通過(guò)可穿戴設(shè)備獲取ECG比通過(guò)頭戴設(shè)備獲取EEG更加方便。他們對(duì)從24名受試者解決數(shù)學(xué)問(wèn)題時(shí)獲取的ECG和EEG信號(hào)進(jìn)行了共識(shí)聚類，其中包括多次使用不同距離度量的分層算法運(yùn)行。他們的結(jié)果顯示，ECG數(shù)據(jù)集中發(fā)現(xiàn)的簇與EEG數(shù)據(jù)集中的簇之間存在強(qiáng)相關(guān)性，表明ECG可以幫助檢測(cè)不同水平的注意力。另一個(gè)發(fā)現(xiàn)表明，ECG簇的數(shù)量大于EEG數(shù)據(jù)集中發(fā)現(xiàn)的簇的數(shù)量，這可以為深入分析提供更準(zhǔn)確的信息。類似地，Wang等人[117]表明，通過(guò)分析從駕駛員手掌獲得的ECG獲得的簇與通過(guò)分析EEG獲得的簇之間存在強(qiáng)相關(guān)性。他們建議可以利用從駕駛員手掌收集的ECG，而不是EEG，來(lái)識(shí)別駕駛員不同水平的注意力。

????????ECG聚類的另一個(gè)應(yīng)用是情緒檢測(cè)。其目標(biāo)是通過(guò)聚類自動(dòng)識(shí)別不同的情緒狀態(tài)，如喜悅和悲傷。Wan-Hui等人[118]發(fā)現(xiàn)，與時(shí)域特征相比，ECG信號(hào)的頻域特征更能夠區(qū)分喜悅和悲傷。Zheng等人[95]采用模糊C均值聚類算法將ECG分為情緒壓力和非情緒壓力兩個(gè)簇，并展示了時(shí)間間隔特征在區(qū)分這兩個(gè)簇中的重要作用。Medina[119]對(duì)從25名受試者解決數(shù)學(xué)問(wèn)題時(shí)獲取的ECG進(jìn)行了集成聚類，包括K均值和譜聚類。他們的系統(tǒng)成功地將情緒水平相似的受試者分組在一起。

????????在一項(xiàng)創(chuàng)新性的研究中，Kupper等人[6]調(diào)查了744名年輕成年人在進(jìn)行應(yīng)激性活動(dòng)（包括解決數(shù)學(xué)問(wèn)題和在兩個(gè)觀眾面前演講）時(shí)情緒應(yīng)激與心肺活動(dòng)之間的關(guān)系。他們從參與者那里獲取了任務(wù)前和任務(wù)中的ECG和ICG信號(hào)。通過(guò)分布式聚類，他們發(fā)現(xiàn)了五個(gè)不同于自主平衡和靜息收縮壓水平的參與者群集。結(jié)果還顯示，吸煙、定期體育鍛煉和身體質(zhì)量指數(shù)（BMI）與這些群集無(wú)關(guān)。此外，男性在執(zhí)行應(yīng)激任務(wù)時(shí)更有可能出現(xiàn)收縮壓升高和心臟輸出增加的群集中。
????????Gonzalez-Vel ′ azquez等人[120]通過(guò)聚類研究了情緒進(jìn)食行為與ECG之間的關(guān)系。他們對(duì)52名年輕成年人的ECG進(jìn)行了K均值聚類（K=2），將個(gè)體分為有情緒進(jìn)食行為和沒(méi)有情緒進(jìn)食行為兩組。他們發(fā)現(xiàn)情緒進(jìn)食行為在超重者（BMI > 85th百分位數(shù)）中更為普遍。此外，肥胖者的RR時(shí)間序列中高頻成分明顯更大。?

????????受到深度學(xué)習(xí)技術(shù)的成功啟發(fā)，Oskooei等人[99]最近在100名消防員培訓(xùn)生的RR時(shí)間序列上訓(xùn)練了一個(gè)卷積自動(dòng)編碼器，以識(shí)別在進(jìn)行演練時(shí)處于顯著壓力下的群體。他們對(duì)自動(dòng)編碼器學(xué)到的潛在表示應(yīng)用了DBSCAN，并發(fā)現(xiàn)了兩個(gè)群集，其中一個(gè)較小的群集對(duì)應(yīng)于表現(xiàn)出顯著更多壓力的消防員。他們進(jìn)一步表明，對(duì)于這個(gè)任務(wù)，應(yīng)用K均值無(wú)法找到處于壓力下的培訓(xùn)生群體。

????????可以使用各種統(tǒng)計(jì)假設(shè)檢驗(yàn)來(lái)推斷ECG特征與不同心理狀態(tài)之間的顯著關(guān)系。大多數(shù)審查的研究使用了t檢驗(yàn)，該檢驗(yàn)假設(shè)總體服從正態(tài)分布。然而，這種假設(shè)需要進(jìn)一步驗(yàn)證，因?yàn)椴杉臄?shù)據(jù)集很小，可能不符合這種分布。非參數(shù)檢驗(yàn)，如Friedman檢驗(yàn)[121]和Spearman等級(jí)相關(guān)[122]，可以在這個(gè)應(yīng)用中進(jìn)一步研究，因?yàn)樗鼈儾灰蕾囉谡龖B(tài)性假設(shè)。

????????此外，大多數(shù)研究中的ECG特征工程階段僅限于RR間隔和心率。因此，有一個(gè)未滿足的需求，即研究其他ECG特征（例如PR和QT間隔以及電壓和頻域特征）與不同心理狀態(tài)之間的關(guān)系。此外，所使用的聚類算法僅限于傳統(tǒng)的K均值、層次聚類、高斯混合模型和DBSCAN。特別是，尚未將基于深度學(xué)習(xí)的聚類算法用于此目的。需要更大的數(shù)據(jù)集來(lái)開(kāi)發(fā)和訓(xùn)練可靠的深度學(xué)習(xí)算法，以發(fā)現(xiàn)ECG與不同心理狀態(tài)之間的關(guān)系。

????????最后，正如之前提到的，大多數(shù)研究將不同的心理狀態(tài)，如不同的情緒或不同程度的心理障礙，視為基本事實(shí)的聚類。對(duì)于大多數(shù)使用的聚類算法，這些聚類的數(shù)量是必需的先驗(yàn)知識(shí)。然而，少數(shù)研究使用了不需要這種先驗(yàn)知識(shí)的算法，如DP-GMM [52] 和DBSCAN [53]。它們獲得的ECG聚類數(shù)量比基本事實(shí)所示的數(shù)量更多。聚類數(shù)量的增加通常會(huì)導(dǎo)致不同的ECG模式之間更好的分離，但會(huì)使專家難以解釋聚類結(jié)果。未來(lái)的工作需要集中在尋找最優(yōu)的ECG聚類數(shù)量上。

心電圖與身體狀態(tài)

????????這一研究方向的重點(diǎn)在于通過(guò)聚類發(fā)現(xiàn)不同的臨床表型，包括心電圖異常、血壓情況、代謝指標(biāo)和人口統(tǒng)計(jì)學(xué)等，用于研究不同疾病患者之間的差異。幾項(xiàng)研究旨在揭示具有類似心電圖模式的患者亞群中的潛在機(jī)制和顯著生物標(biāo)志物，這幾乎是不可能通過(guò)視覺(jué)手段進(jìn)行的。

????????在這些研究中使用的數(shù)據(jù)集通常包括來(lái)自不同疾病條件（如糖尿病、動(dòng)脈硬化、栓塞性卒中）或慢性習(xí)慣（如吸煙）的個(gè)體的心電圖和血壓信號(hào)。在對(duì)心電圖進(jìn)行聚類之后，確定每個(gè)聚類中的主導(dǎo)心電圖模式。然后進(jìn)行假設(shè)檢驗(yàn)，以確認(rèn)這種模式是否與聚類所代表的疾?。ɑ蚣膊〉膰?yán)重程度水平）相關(guān)聯(lián)。由于在這種應(yīng)用中地面實(shí)況聚類通常是未知的，因此可以使用衡量簇內(nèi)外相似性的指標(biāo)，如輪廓系數(shù)，來(lái)提高這些分析的可靠性。在這里，我們回顧了這一研究領(lǐng)域中的一些創(chuàng)新研究。已回顧的研究摘要見(jiàn)表格 IV。

????????Wang等人研究了心率和血壓對(duì)預(yù)測(cè)脊髓損傷患者的直立性心血管失調(diào)的影響。他們對(duì)207名受試者（48名對(duì)照組）在平躺和被動(dòng)轉(zhuǎn)入坐位時(shí)獲得的心電圖和血壓信號(hào)進(jìn)行了層次聚類。具有最佳輪廓系數(shù)的聚類結(jié)果將受試者分為八組。他們發(fā)現(xiàn)心率、收縮壓和舒張壓可以有效地識(shí)別脊髓損傷人群中心血管失調(diào)的普遍情況。

????????Tseng等人研究了心電圖、糖尿病、肥胖、高血壓和吸煙習(xí)慣之間的關(guān)系。他們使用PTB數(shù)據(jù)集中268名受試者的心電圖，對(duì)時(shí)間間隔特征進(jìn)行了K均值聚類，將患者分為八組。結(jié)果顯示，幾乎所有糖尿病患者都被分到了同一組，這表明糖尿病與心電圖之間存在強(qiáng)關(guān)聯(lián)。然而，吸煙、高血壓和肥胖患者分布在所有簇中，說(shuō)明這些狀況與心電圖的時(shí)間間隔特征之間存在較弱的相關(guān)性。

????????Hernandez等人研究了心電圖與身體活動(dòng)能力之間的關(guān)系。他們從67名男性受試者在靜息、騎車和恢復(fù)狀態(tài)下獲得心電圖。在心電圖采集期間，可穿戴式身體成分分析儀記錄了腹腔內(nèi)脂肪的存儲(chǔ)量。他們對(duì)時(shí)間間隔和小波提取的特征應(yīng)用了層次聚類，并通過(guò)分析樹(shù)狀圖找到了一個(gè)適當(dāng)分離數(shù)據(jù)空間的四簇解決方案。接下來(lái)，他們應(yīng)用了K均值（K=4），發(fā)現(xiàn)了以下四個(gè)組：（1）具有高體力工作能力的個(gè)體，（2）年輕體力工作能力較低的個(gè)體，（3）年齡較大、體力工作能力較低且腹部脂肪低至中等的個(gè)體，以及（4）年齡較大、體力工作能力較低且腹部脂肪較高的個(gè)體。

????????Lattanzi等人研究了127名患有來(lái)源未明栓塞性卒中的患者的心電圖異常、人口統(tǒng)計(jì)學(xué)、代謝指標(biāo)和吸煙習(xí)慣之間的關(guān)聯(lián)。由心臟病專家鑒定的心臟異常，如房顫和高血壓，用于聚類。他們進(jìn)行了層次聚類，并發(fā)現(xiàn)了三個(gè)患者亞群：（1）年輕男性，患有卵圓孔未閉和后循環(huán)梗死，（2）患有高血壓、嚴(yán)重中風(fēng)、左房心病、糖尿病和多種血管領(lǐng)域病變的患者，以及（3）吸煙患者，患有脂質(zhì)代謝異常、同側(cè)易損的頸動(dòng)脈狹窄斑塊和前循環(huán)領(lǐng)域梗死。

????????Hyun等人研究了心電圖和血壓與動(dòng)脈粥樣硬化疾病之間的關(guān)聯(lián)。他們應(yīng)用了一致性聚類方法對(duì)從989名患者獲取的動(dòng)態(tài)心電圖和血壓信號(hào)進(jìn)行聚類。他們發(fā)現(xiàn)了16個(gè)簇，其中兩個(gè)簇包含了高風(fēng)險(xiǎn)動(dòng)脈粥樣硬化的顯著比例的患者。在這兩個(gè)簇中，代謝指標(biāo)，包括糖尿病、體質(zhì)指數(shù)和總膽固醇，顯著增高。值得注意的是，年齡與所有簇都普遍相關(guān)。

????????Porumb等人對(duì)患有夜間低血糖癥（睡眠期間血糖水平降低）的受試者獲得的心電圖進(jìn)行了卷積自編碼器的訓(xùn)練，以預(yù)測(cè)血糖水平下降。他們使用t分布隨機(jī)近鄰嵌入方法對(duì)學(xué)習(xí)到的潛在表示進(jìn)行聚類和可視化，結(jié)果顯示自編碼器有效地將記錄在低血糖水平期間的心電圖與記錄在正常血糖水平期間的心電圖分開(kāi)。他們將潛在表示作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，并在專家提供的標(biāo)簽上訓(xùn)練網(wǎng)絡(luò)，以將心電圖分類為正常和低血糖水平。他們的研究在8名經(jīng)歷夜間低血糖癥的受試者中獲得了90%的準(zhǔn)確率。

?????????在這一研究領(lǐng)域中，層次聚類算法被廣泛使用。該算法不需要初始簇的數(shù)量，并且提供了結(jié)果簇的層次化可視化。這種可視化可以極大地幫助研究人員識(shí)別每個(gè)亞群體中的潛在機(jī)制和生物標(biāo)志物。自組織映射[54]和t分布隨機(jī)近鄰嵌入[125]是其他眾所周知的算法，它們提供了一個(gè)二維和三維的地圖，用于可視化數(shù)據(jù)空間中的拓?fù)浣Y(jié)構(gòu)。由于這兩個(gè)算法保留了數(shù)據(jù)的局部和全局結(jié)構(gòu)，它們是這一應(yīng)用的合適候選算法。

????????此外，已審閱的研究所使用的聚類算法僅限于K-means和層次聚類。由于這些研究收集的數(shù)據(jù)集顯著大于公開(kāi)可用的數(shù)據(jù)集（如MIT-BIH），應(yīng)用基于深度學(xué)習(xí)的聚類算法可以進(jìn)一步提高效果。

????????最后，與研究探究心電圖與心理狀態(tài)之間關(guān)系的研究類似，提取的心電圖特征也僅限于RR間隔和心率。因此，有必要研究應(yīng)用其他時(shí)間域、電壓域和頻率域特征。

基于心電圖的生物特征認(rèn)證和識(shí)別

????????生物特征認(rèn)證是根據(jù)個(gè)體的生理特征進(jìn)行身份驗(yàn)證的過(guò)程，主要包括指紋和面部。指紋和面部模式容易受到外部攻擊，因?yàn)樗鼈兊奈锢硖卣魅菀妆槐┞?。然而，基于心電圖的認(rèn)證系統(tǒng)很難被欺騙，因?yàn)樾呐K電活動(dòng)的基本生物特征是隱藏的。

????????基于心電圖的認(rèn)證系統(tǒng)面臨的挑戰(zhàn)之一是個(gè)體內(nèi)變異性，這是由于不同的個(gè)體的身體和精神狀態(tài)的不同，可能導(dǎo)致認(rèn)證失敗。一些研究旨在通過(guò)聚類分析提高基于心電圖的認(rèn)證系統(tǒng)對(duì)個(gè)體內(nèi)變異性的穩(wěn)健性。其思想是將個(gè)體的心電圖（或心跳）劃分為不同條件下的簇，例如個(gè)體處于不同的精神或生理狀態(tài)，并使用關(guān)于簇的信息，如簇的中心，作為用于執(zhí)行認(rèn)證的監(jiān)督學(xué)習(xí)方法的附加特征。大多數(shù)在這個(gè)應(yīng)用中的研究使用了他們?cè)诓煌榫w或壓力水平下記錄的心電圖數(shù)據(jù)集。與其評(píng)估所得到的簇的質(zhì)量不同，分類指標(biāo)，如靈敏度、特異性和F1分?jǐn)?shù)，被用于評(píng)估下游的監(jiān)督認(rèn)證任務(wù)的性能。由于在這個(gè)應(yīng)用中大多數(shù)情況下無(wú)法得知地面真實(shí)的簇，可以進(jìn)一步使用評(píng)價(jià)簇間和簇內(nèi)相似性的指標(biāo)，如輪廓分?jǐn)?shù)，來(lái)提高這些研究的可靠性。

????????作為一個(gè)現(xiàn)代研究的例子，Zhou等人 [23] 使用了高斯混合模型聚類來(lái)提高主體在壓力下的認(rèn)證系統(tǒng)的穩(wěn)健性。特別地，他們將主體的心電圖劃分為幾個(gè)不同壓力水平的群組。這些簇的中心結(jié)合由卷積自編碼器學(xué)習(xí)的心電圖的潛在表示，被作為輸入特征向量提供給執(zhí)行認(rèn)證的支持向量機(jī)。他們?cè)?3名不同壓力條件下的健康受試者上測(cè)試了他們的系統(tǒng)，并取得了平均識(shí)別率為95%和平均F1分?jǐn)?shù)為0.97的結(jié)果。

????????與認(rèn)證類似，生物識(shí)別鑒定是基于個(gè)體的生物特征在先前識(shí)別的模板數(shù)據(jù)庫(kù)中進(jìn)行身份識(shí)別的過(guò)程?；谛碾妶D的識(shí)別系統(tǒng)通常由于需要將給定的心電圖與數(shù)據(jù)庫(kù)中存儲(chǔ)的所有模板心電圖進(jìn)行交叉匹配以找到匹配而產(chǎn)生高計(jì)算成本。聚類通過(guò)對(duì)模板心電圖進(jìn)行聚類，幫助降低了此類系統(tǒng)的計(jì)算成本。在識(shí)別過(guò)程中，只搜索與給定心電圖信號(hào)最相似的簇的中心。Neehal等人 [126] 使用K-means將50000個(gè)心電圖數(shù)據(jù)庫(kù)中的模板劃分為五個(gè)簇。在識(shí)別過(guò)程中只搜索最相似的簇，他們將識(shí)別時(shí)間縮短了79.26%。在類似的方法下，Sufi等人 [127] 提出了一種基于壓縮心電圖數(shù)據(jù)的識(shí)別系統(tǒng)。壓縮心電圖數(shù)據(jù)通常在無(wú)線心血管監(jiān)測(cè)中需要使用。然而，解壓數(shù)百萬(wàn)個(gè)壓縮心電圖信號(hào)非常耗時(shí)。為了解決這個(gè)問(wèn)題，Sufi等人設(shè)計(jì)了一個(gè)基于高斯混合模型的系統(tǒng)，直接對(duì)模板心電圖數(shù)據(jù)庫(kù)中的壓縮心電圖信號(hào)進(jìn)行聚類。

????????這些研究采用的聚類算法主要受限于K-means和GMM。因此，需要進(jìn)一步研究用于心電圖聚類的其他聚類算法，如DBSCAN [53] 和基于深度學(xué)習(xí)的方法。針對(duì)基于心電圖的鑒定系統(tǒng)的數(shù)據(jù)集非常小（n < 30），需要一個(gè)更大的心電圖數(shù)據(jù)集，記錄不同情緒或壓力水平下的數(shù)據(jù)，以進(jìn)一步提高對(duì)個(gè)體內(nèi)變異的魯棒性。還需要研究開(kāi)發(fā)能夠檢測(cè)心電圖與其他生理信號(hào)同步性的聚類算法 [128]。

改進(jìn)監(jiān)督異常分類

????????除了知識(shí)發(fā)現(xiàn)，聚類和基于深度學(xué)習(xí)的無(wú)監(jiān)督技術(shù)也可以用于改進(jìn)心電圖分類系統(tǒng)的性能并克服挑戰(zhàn)。在這個(gè)應(yīng)用中，所識(shí)別的聚類質(zhì)量很少被評(píng)估。相反，常常使用分類指標(biāo)，如敏感性、特異性和 F1 分?jǐn)?shù)，來(lái)評(píng)估下游的分類任務(wù)性能。然而，由于已知地面實(shí)況聚類，上述的分類指標(biāo)以及相似性指標(biāo)，如 NMI 和 Jaccard 系數(shù)，可以用于評(píng)估聚類階段的性能，并提高這些研究的可靠性。MIT-BIH 數(shù)據(jù)集在這個(gè)研究領(lǐng)域中被廣泛使用。由于這個(gè)數(shù)據(jù)集相對(duì)較小，未來(lái)的工作也應(yīng)該著重使用更大的數(shù)據(jù)集，比如由Zheng等人[112]和Wagner等人[113]收集的數(shù)據(jù)集。

????????在準(zhǔn)確分類心電圖異常方面的一個(gè)長(zhǎng)期挑戰(zhàn)是數(shù)據(jù)嚴(yán)重不平衡的問(wèn)題，因?yàn)楣残碾妶D數(shù)據(jù)集中由心臟病專家提供的標(biāo)簽中，絕大部分都是正常的心跳。例如，在MIT-BIH數(shù)據(jù)集中，超過(guò)75%的標(biāo)記心跳屬于正常類別，而不到1%的心跳屬于四個(gè)異常類別，分別是室顫、結(jié)點(diǎn)逸搏、房性早搏和室性逸搏。這種不平衡的數(shù)據(jù)導(dǎo)致分類器在檢測(cè)少數(shù)類別時(shí)性能較差?？朔@個(gè)問(wèn)題的一個(gè)眾所周知的技術(shù)是欠采樣，其中從多數(shù)類別中隨機(jī)刪除樣本，以使訓(xùn)練集平衡[129]。然而，這種技術(shù)可能會(huì)丟失對(duì)分類任務(wù)至關(guān)重要的相關(guān)信息。為了減少欠采樣期間的信息損失，Carrillo-Alarcón等人[16]使用自組織映射對(duì)MIT-BIH數(shù)據(jù)集中每個(gè)多數(shù)類別中的心跳進(jìn)行了聚類。

????????基于深度學(xué)習(xí)的無(wú)監(jiān)督技術(shù)也被用于增強(qiáng)異常分類系統(tǒng)的自動(dòng)化和性能。Xu等人[131]通過(guò)使用貪婪無(wú)監(jiān)督算法初始化每一層的權(quán)重來(lái)提高他們深度神經(jīng)網(wǎng)絡(luò)分類器的性能。每個(gè)隱藏層被視為受限玻爾茲曼機(jī)[69]，并使用對(duì)比散度算法[132]進(jìn)行優(yōu)化 - 這是一種用于訓(xùn)練基于能量的潛在模型的眾所周知的無(wú)監(jiān)督算法。然后通過(guò)最小化地面實(shí)況標(biāo)簽與預(yù)測(cè)之間的交叉熵?fù)p失來(lái)微調(diào)整個(gè)網(wǎng)絡(luò)。他們?cè)贛IT-BIH數(shù)據(jù)集上使用三個(gè)特定患者和一個(gè)患者獨(dú)立的實(shí)驗(yàn)來(lái)評(píng)估他們的方法。他們的系統(tǒng)在MIT-BIH中的三名個(gè)體中分別達(dá)到了93.1%、94.7%和99.9%的準(zhǔn)確率。在患者獨(dú)立實(shí)驗(yàn)中，他們的系統(tǒng)在看不見(jiàn)的患者中也表現(xiàn)出良好的泛化能力，但準(zhǔn)確率較低，為91.8%。

????????患者特定的心電圖分類器 - 經(jīng)過(guò)訓(xùn)練并在給定患者的心電圖上進(jìn)行微調(diào)的分類器 - 在表現(xiàn)上已經(jīng)顯示出優(yōu)越性，相比于在通用心電圖池上訓(xùn)練的分類器。Zahi等人[17]表明，重新調(diào)整分類器以適應(yīng)患者特定的正常心跳可以改善在MIT-BIH上的分類性能。盡管它們的性能更好，但是患者特定的分類器具有較低的自動(dòng)化水平，因?yàn)樗鼈冃枰謩?dòng)標(biāo)記部分心電信號(hào)以進(jìn)行微調(diào)。為了解決這個(gè)問(wèn)題，Zahi等人[17]提出了一種無(wú)監(jiān)督方法來(lái)自動(dòng)識(shí)別正常的心電圖心跳。他們基于心跳與相鄰心跳的相似性對(duì)心跳進(jìn)行了聚類，并確定了在集群中表現(xiàn)出最高平均相似性的心跳為正常心跳。然后，在確定的正常心跳上微調(diào)他們的深度分類器。他們的系統(tǒng)在檢測(cè)兩種異常類別，即室性和室上性異位心跳時(shí)表現(xiàn)出色，分別獲得了97.4%和98.6%的高準(zhǔn)確率。

????????近年來(lái)，生成對(duì)抗網(wǎng)絡(luò)（GAN）[15]也被用于提高患者特定分類器的自動(dòng)化水平。這個(gè)想法是利用GAN中的生成器來(lái)生成新的患者特定正常心跳。Zhou等人[18]使用了經(jīng)過(guò)GAN生成的正常心跳增強(qiáng)了MIT-BIH數(shù)據(jù)集，以便更準(zhǔn)確地訓(xùn)練和分類室性和室上性異位心跳，從而達(dá)到了97%的總體準(zhǔn)確率。類似地，Golany等人[19]在每個(gè)患者的未標(biāo)記心電數(shù)據(jù)的前幾分鐘上訓(xùn)練了一個(gè)GAN來(lái)生成正常心跳。與Zhou等人[18]使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行心律失常分類相反，他們使用了長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)[133]，并取得了類似的良好表現(xiàn)。

????????基于深度學(xué)習(xí)的無(wú)監(jiān)督特征提取技術(shù)還提高了與使用手工制作特征的分類器相比的監(jiān)督分類系統(tǒng)的性能。例如，Nurmaini等人[68]將基于CNN的深度自動(dòng)編碼器作為無(wú)監(jiān)督特征提取技術(shù)與深度神經(jīng)網(wǎng)絡(luò)結(jié)合，用于心律失常分類。他們的系統(tǒng)在整個(gè)MIT-BIH數(shù)據(jù)集上達(dá)到了高的F1分?jǐn)?shù)0.92。

????????將無(wú)監(jiān)督學(xué)習(xí)與監(jiān)督ECG分類相結(jié)合的另一個(gè)優(yōu)勢(shì)是使用遷移學(xué)習(xí)[134]。其核心思想是將在大型數(shù)據(jù)集上訓(xùn)練的模型參數(shù)轉(zhuǎn)移到另一個(gè)模型上，以在較小的數(shù)據(jù)集上進(jìn)行分類，該數(shù)據(jù)集可能存在不準(zhǔn)確的標(biāo)簽或缺失一些標(biāo)簽。Weimann等人[135]在Icential11K數(shù)據(jù)集[137]上訓(xùn)練了一個(gè)深度殘差網(wǎng)絡(luò)分類器[136]（這是最大的公開(kāi)可用的包含11,000名患者的ECG數(shù)據(jù)集），然后在Physionet/CinC 2017數(shù)據(jù)集[138]上微調(diào)了他們的網(wǎng)絡(luò)，以用于房顫?rùn)z測(cè)。Jang等人[139]在超過(guò)兩百萬(wàn)個(gè)ECG樣本上預(yù)訓(xùn)練了一個(gè)卷積自動(dòng)編碼器。然后，他們?cè)诹硪粋€(gè)包含一萬(wàn)份12導(dǎo)聯(lián)ECG的數(shù)據(jù)集上微調(diào)了他們的網(wǎng)絡(luò)，以檢測(cè)11種心律失常類別，并實(shí)現(xiàn)了0.857的F1分?jǐn)?shù)。

其余應(yīng)用

????????除了討論過(guò)的應(yīng)用外，ECG聚類還被用于其他一些有趣的應(yīng)用中。Xia等人[24]使用ECG聚類來(lái)提高QRS檢測(cè)系統(tǒng)的準(zhǔn)確性。其核心思想是，在ECG中，相互截?cái)嗟狞c(diǎn)對(duì)之間的線的絕對(duì)斜率顯著高于截?cái)嗳魏纹渌c(diǎn)對(duì)之間的線的絕對(duì)斜率。通過(guò)K-means，他們基于點(diǎn)對(duì)之間的絕對(duì)斜率將所有點(diǎn)對(duì)分成兩個(gè)簇。他們發(fā)現(xiàn)一個(gè)簇主要包含屬于QRS區(qū)域的點(diǎn)對(duì)。在這些點(diǎn)中，具有最大振幅的點(diǎn)被確定為R峰。在MIT-BIH的八個(gè)記錄中，他們?cè)赗峰檢測(cè)上實(shí)現(xiàn)了99.72%的靈敏度和99.80%的陽(yáng)性預(yù)測(cè)性。在類似的思路下，在最近的研究中，Chen等人[25]對(duì)每對(duì)點(diǎn)的平均振幅以及它們的斜率應(yīng)用了分層聚類，將點(diǎn)分成兩個(gè)簇：R波簇和非R波簇。他們?cè)贛IT-BIH上的R峰檢測(cè)中實(shí)現(xiàn)了99.89%的靈敏度和99.97%的陽(yáng)性預(yù)測(cè)性。
????????Zhou等人[26]通過(guò)聚類從腹部ECG中提取胎兒QRS復(fù)合物。值得注意的是，從母體腹部獲得的胎兒ECG受到母體心臟活動(dòng)、胎兒腦活動(dòng)以及各種噪聲（如子宮收縮）的污染。Zhou等人認(rèn)為，R-S峰的振幅可以作為一個(gè)獨(dú)特的特征來(lái)區(qū)分母體QRS復(fù)合物與胎兒ECG的差異，因?yàn)槟阁wECG中R和S峰的振幅顯著大于胎兒ECG中的振幅。他們對(duì)ECG中相鄰局部最大-最小值對(duì)應(yīng)用了K-means，并找到了三個(gè)簇。其中一個(gè)簇包含母體的R-S峰，另一個(gè)簇包含胎兒的R-S峰，最后一個(gè)簇包含非R-S峰。

????????Salman等人[140]試圖通過(guò)將遠(yuǎn)程患者聚類成不同緊急程度的群體，以減少平均等待時(shí)間。他們將模糊c均值應(yīng)用于從ECG和血壓信號(hào)中提取的特征，并將患者分為五組。所識(shí)別的簇對(duì)應(yīng)于正常、感冒、生病、緊急和高風(fēng)險(xiǎn)狀態(tài)的患者。他們將每個(gè)簇視為一個(gè)隊(duì)列，并提出了一個(gè)算法，該算法在優(yōu)先考慮緊急患者的情況下，最小化平均等待時(shí)間。

討論與未來(lái)方向

基于深度學(xué)習(xí)的聚類和對(duì)比學(xué)習(xí)

????????盡管已經(jīng)進(jìn)行了有希望的ECG聚類技術(shù)研究，但仍然迫切需要更先進(jìn)的算法，能夠在處理大量數(shù)據(jù)時(shí)自動(dòng)進(jìn)行，而無(wú)需預(yù)處理步驟和專家分析。深度學(xué)習(xí)技術(shù)相對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)方法的主要優(yōu)勢(shì)在于自動(dòng)的特征提取和選擇過(guò)程。深度學(xué)習(xí)技術(shù)在多項(xiàng)復(fù)雜任務(wù)中已經(jīng)表現(xiàn)出優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)方法的能力，例如語(yǔ)音識(shí)別和圖像分類等。然而，很少有研究關(guān)注于將深度學(xué)習(xí)用于無(wú)監(jiān)督的ECG分析。因此，新一代的深度學(xué)習(xí)算法，如深度自適應(yīng)聚類[70]和ClusterGAN [76]（如在第II-C節(jié)中所述）有望應(yīng)用于ECG聚類系統(tǒng)。

????????深度學(xué)習(xí)技術(shù)的一個(gè)缺點(diǎn)是其缺乏可解釋性，因?yàn)樘卣魇窃诤诤兄刑崛〉?。隨著人們對(duì)如何獲得結(jié)果的興趣與結(jié)果本身一樣重要，這在ECG分析中成為一個(gè)越來(lái)越重要的問(wèn)題。未來(lái)的研究在這個(gè)領(lǐng)域應(yīng)該關(guān)注于解釋深度學(xué)習(xí)技術(shù)在ECG分析中的可解釋性。可以研究采用類似于DeepLIFT [141]的算法。給定一個(gè)輸入，DeepLIFT通過(guò)從預(yù)測(cè)輸出到輸入的每個(gè)特征反向傳播神經(jīng)元的激活來(lái)為神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元分配貢獻(xiàn)分?jǐn)?shù)。

????????除了深度學(xué)習(xí)，對(duì)于ECG聚類還可以進(jìn)一步研究對(duì)比學(xué)習(xí)的應(yīng)用。對(duì)比學(xué)習(xí)旨在學(xué)習(xí)一個(gè)嵌入空間，在這個(gè)空間中，相似的數(shù)據(jù)點(diǎn)彼此更接近，而不需要標(biāo)記的數(shù)據(jù)。它最近在解決視覺(jué)和語(yǔ)言處理任務(wù)時(shí)表現(xiàn)出優(yōu)越的性能。在ECG分析中，它可以用于無(wú)監(jiān)督或半監(jiān)督分析，其中心臟病學(xué)家對(duì)數(shù)據(jù)集的一個(gè)小子集進(jìn)行注釋。有興趣的讀者可以參考 [142]、[143] 獲取更多信息。?????

無(wú)監(jiān)督分析佩戴式設(shè)備記錄的心電圖（ECG）數(shù)據(jù)

????????當(dāng)心電圖（ECG）數(shù)據(jù)在佩戴設(shè)備內(nèi)進(jìn)行分析時(shí)，聚類方法的時(shí)間和空間復(fù)雜度必須在設(shè)備的計(jì)算能力范圍內(nèi)。而當(dāng)ECG數(shù)據(jù)傳輸?shù)竭h(yuǎn)程服務(wù)器時(shí)，傳輸通道的可靠性和延遲變得重要。因此，需要高效的壓縮和加密算法，以實(shí)現(xiàn)ECG數(shù)據(jù)的最佳和安全的傳輸。

????????此外，對(duì)噪聲的魯棒性也非常重要，因?yàn)榭纱┐髟O(shè)備記錄的心電圖（ECG）質(zhì)量通常較低于標(biāo)準(zhǔn)臨床設(shè)備。即使經(jīng)過(guò)降噪處理，也不能保證信號(hào)是無(wú)噪聲的，因?yàn)槿魏谓翟胂到y(tǒng)的實(shí)際實(shí)現(xiàn)都是不完美的[148]。在這種情況下，使用偽影拒絕算法非常重要。

????????大部分已評(píng)審的方法都是在靜息狀態(tài)的ECG上開(kāi)發(fā)和驗(yàn)證的，此時(shí)心率通常低于每分鐘120次心跳。然而，在長(zhǎng)時(shí)間監(jiān)測(cè)受試者的運(yùn)動(dòng)狀態(tài)下，心率可能會(huì)有顯著的變化。因此，方法對(duì)心率變化的魯棒性也是另一個(gè)重要考慮因素。分析通過(guò)可穿戴設(shè)備記錄的ECG是一個(gè)新興的領(lǐng)域，目前關(guān)注的研究較少，還有待進(jìn)一步研究。有興趣的讀者可以參考以下資料獲取更多信息：[144]–[147]，[150]–[152]。

流式心電圖聚類

????????每天產(chǎn)生的心電圖數(shù)據(jù)量巨大，由于硬件資源有限，不實(shí)際存儲(chǔ)。此外，對(duì)高風(fēng)險(xiǎn)患者進(jìn)行實(shí)時(shí)監(jiān)測(cè)和即時(shí)檢測(cè)異常事件至關(guān)重要。因此，未來(lái)的聚類系統(tǒng)需要處理連續(xù)到達(dá)的心電圖數(shù)據(jù)，即所謂的數(shù)據(jù)流。

????????流式心電圖聚類對(duì)傳統(tǒng)聚類系統(tǒng)提出了幾個(gè)關(guān)鍵挑戰(zhàn)。首先，應(yīng)該在僅一次傳遞中分析心電圖，因?yàn)榇鎯?chǔ)所有到達(dá)的信號(hào)是不切實(shí)際的。其次，隨著新的心電圖到達(dá)，聚類可能會(huì)發(fā)生變化。第三，必須實(shí)時(shí)識(shí)別心臟事件。值得注意的是，所有在此回顧中審查的方法處理的是非流式心電圖，留下了可能的未來(lái)研究空間。有興趣的讀者可以參考以下資料以獲取有關(guān)數(shù)據(jù)流聚類分析的更多信息[153]–[157]。

心理和生理狀態(tài)下記錄的心電圖的公共數(shù)據(jù)庫(kù)

????????到目前為止，已經(jīng)投入了大量的努力來(lái)開(kāi)發(fā)代表不同心臟異常的開(kāi)放式心電圖數(shù)據(jù)集[1]，[112]，[113]。然而，如第III-B至III-D節(jié)所述，研究發(fā)現(xiàn)心電圖與不同心理和生理狀態(tài)之間的關(guān)系，以及開(kāi)發(fā)基于心電圖的認(rèn)證系統(tǒng)使用私有數(shù)據(jù)集。這使得方法之間的比較和復(fù)現(xiàn)其結(jié)果變得不可能。為了進(jìn)一步發(fā)展這些創(chuàng)新研究領(lǐng)域，需要一個(gè)開(kāi)放式的心電圖數(shù)據(jù)庫(kù)，其中包含在不同心理狀態(tài)（如壓力或心理障礙）和不同健康狀況（如糖尿?。┫掠涗浀男碾妶D。這樣的數(shù)據(jù)庫(kù)需要足夠大，并且在個(gè)體的性別和年齡方面保持平衡。

基于P波、QRS波和T波的特征工程

????????大多數(shù)回顧性研究并未旨在識(shí)別P波和T波以進(jìn)行特征工程，然而這些波的異常形態(tài)可以指示重要的心臟疾病，比如心肌缺血、低鉀血癥或房顫等 [32]。此外，R波通常被假定存在于所有記錄的心跳中。然而，值得注意的是，在一些異常情況下，如右心致病的情況下，R波可能會(huì)缺失 [32]。

????????為了解決這些問(wèn)題，研究人員可以采用最先進(jìn)的心電圖分割系統(tǒng)，例如Martinez等人開(kāi)發(fā)的系統(tǒng) [158] 和Bote等人開(kāi)發(fā)的系統(tǒng) [159]。這些系統(tǒng)能夠有效地識(shí)別心電圖上的P、Q、R、S和T波，從而允許提取所有主要波形的時(shí)間和形態(tài)特征。

結(jié)論

????????在本文中，我們對(duì)心電圖（ECG）分析的無(wú)監(jiān)督機(jī)器學(xué)習(xí)方法進(jìn)行了全面而批判性的回顧。我們審查了傳統(tǒng)和最新的心電圖聚類算法，并對(duì)它們的優(yōu)勢(shì)和不足進(jìn)行了詳細(xì)討論。我們還廣泛審查了無(wú)監(jiān)督ECG分析的各種應(yīng)用，描述了每個(gè)應(yīng)用領(lǐng)域的最新研究，概述了它們的局限性，并提出了未來(lái)的方向。

????????我們相信，在無(wú)監(jiān)督生物醫(yī)學(xué)信號(hào)處理的背景下，本文中審查的聚類方法將繼續(xù)在未來(lái)的心電圖監(jiān)測(cè)中發(fā)揮重要作用。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-634695.html

到了這里，關(guān)于論文閱讀---《Unsupervised ECG Analysis: A Review》的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！