-MAR19th
图像处理分析：
心电图ECG识别
晟视分享
一、背景介绍
医院心脏疾病常用辅助诊断指标。心电图由于其价格低、无创的特性被广泛用于心脏疾病的预筛查以及体检中，每天的检测量巨大。目前，多导联的心电图设备已经广泛用于临床当中，部分设备已经具有自动分析诊断功能，但自动分析对于多心电异常事件的判别还不够精确，需要医生做进一步修改。近年来，人工智能在心电图预测领域有了应用。AI技术、深度学习的发展有望助力心电图波形、心电异常事件的预测，从而达到提升预测精度的目标。二、心电图介绍
本文通过讨论一个心电图识别处理流程，实现根据心电图数据的多病症检测。在心电图中（心电图数据形式见图1）广泛存在“I”，“II”，“V1”，“V2”，“V3”，“V4”，“V5”，“V6”，“III”，“AVR”，“AVL”，“AVF”共12个导联，也有18导联，本文针对12导联进行识别，不同导联代表ECG电极在人体表面位置的不同，其单位是电压。不同导联代表血流在不同方向上产生的电压，其中电极位置如图2所示。不同导联之间组合可共同显示出病症所在位置，典型的ECG可推断病症有30-50种之多，例如：窦性心律过速，非特异性T波异常，左束支传导阻滞，右束支传导阻滞，心房颤动等。图1心电图ECG示意图
图2电极位置示意图
三、方法介绍
本文使用深度学习的方法，训练ECG数据，并自动识别病症。其中本文使用ECG标记数据共8万套，针对数据进行部分筛选，以应对其样本分布不均的问题，在网络部分使用基于resnet34的网络形式进行特征提取，并且在优化阶段使用catboost决策树筛选最终的优化器，实现多目标多标签识别。最终结果如下图所示：图3识别为完全性右束支阻滞
如图3，该数据判断为完全性右束支阻滞，并与V1，V2导联相关。四、结论
本文使用深度学习针对ECG心电图进行识别，大大提高了心电图识别病症效率，为医疗临床应用提供了新的途径，具有良好的应用价值。更多精彩内容请
联系电话：