论文阅读(12) _算法

其余应用
除了讨论过的应用外，ECG聚类还被用于其他一些有趣的应用中。Xia等人[24]使用ECG聚类来提高QRS检测系统的准确性。其核心思想是，在ECG中，相互截断的点对之间的线的绝对斜率显著高于截断任何其他点对之间的线的绝对斜率。通过K-means，他们基于点对之间的绝对斜率将所有点对分成两个簇。他们发现一个簇主要包含属于QRS区域的点对。在这些点中，具有最大振幅的点被确定为R峰。在MIT-BIH的八个记录中，他们在R峰检测上实现了99.72%的灵敏度和99.80%的阳性预测性。在类似的思路下，在最近的研究中，Chen等人[25]对每对点的平均振幅以及它们的斜率应用了分层聚类，将点分成两个簇：R波簇和非R波簇。他们在MIT-BIH上的R峰检测中实现了99.89%的灵敏度和99.97%的阳性预测性。
Zhou等人[26]通过聚类从腹部ECG中提取胎儿QRS复合物。值得注意的是，从母体腹部获得的胎儿ECG受到母体心脏活动、胎儿脑活动以及各种噪声（如子宫收缩）的污染。Zhou等人认为，R-S峰的振幅可以作为一个独特的特征来区分母体QRS复合物与胎儿ECG的差异，因为母体ECG中R和S峰的振幅显著大于胎儿ECG中的振幅。他们对ECG中相邻局部最大-最小值对应用了K-means，并找到了三个簇。其中一个簇包含母体的R-S峰，另一个簇包含胎儿的R-S峰，最后一个簇包含非R-S峰。
等人[140]试图通过将远程患者聚类成不同紧急程度的群体，以减少平均等待时间。他们将模糊c均值应用于从ECG和血压信号中提取的特征，并将患者分为五组。所识别的簇对应于正常、感冒、生病、紧急和高风险状态的患者。他们将每个簇视为一个队列，并提出了一个算法，该算法在优先考虑紧急患者的情况下，最小化平均等待时间。
讨论与未来方向基于深度学习的聚类和对比学习
尽管已经进行了有希望的ECG聚类技术研究，但仍然迫切需要更先进的算法，能够在处理大量数据时自动进行，而无需预处理步骤和专家分析。深度学习技术相对传统机器学习方法的主要优势在于自动的特征提取和选择过程。深度学习技术在多项复杂任务中已经表现出优于传统机器学习方法的能力，例如语音识别和图像分类等。然而，很少有研究关注于将深度学习用于无监督的ECG分析。因此，新一代的深度学习算法，如深度自适应聚类[70]和 [76]（如在第II-C节中所述）有望应用于ECG聚类系统。
深度学习技术的一个缺点是其缺乏可解释性，因为特征是在黑盒中提取的。随着人们对如何获得结果的兴趣与结果本身一样重要，这在ECG分析中成为一个越来越重要的问题。未来的研究在这个领域应该关注于解释深度学习技术在ECG分析中的可解释性。可以研究采用类似于 [141]的算法。给定一个输入，通过从预测输出到输入的每个特征反向传播神经元的激活来为神经网络中的每个神经元分配贡献分数。
除了深度学习，对于ECG聚类还可以进一步研究对比学习的应用。对比学习旨在学习一个嵌入空间，在这个空间中，相似的数据点彼此更接近，而不需要标记的数据。它最近在解决视觉和语言处理任务时表现出优越的性能。在ECG分析中，它可以用于无监督或半监督分析，其中心脏病学家对数据集的一个小子集进行注释。有兴趣的读者可以参考 [142]、[143] 获取更多信息。
无监督分析佩戴式设备记录的心电图（ECG）数据
当心电图（ECG）数据在佩戴设备内进行分析时，聚类方法的时间和空间复杂度必须在设备的计算能力范围内。而当ECG数据传输到远程服务器时，传输通道的可靠性和延迟变得重要。因此，需要高效的压缩和加密算法，以实现ECG数据的最佳和安全的传输。