论文阅读(13) _算法

此外，对噪声的鲁棒性也非常重要，因为可穿戴设备记录的心电图（ECG）质量通常较低于标准临床设备。即使经过降噪处理，也不能保证信号是无噪声的，因为任何降噪系统的实际实现都是不完美的[148] 。在这种情况下，使用伪影拒绝算法非常重要。
大部分已评审的方法都是在静息状态的ECG上开发和验证的，此时心率通常低于每分钟120次心跳。然而，在长时间监测受试者的运动状态下，心率可能会有显著的变化。因此，方法对心率变化的鲁棒性也是另一个重要考虑因素。分析通过可穿戴设备记录的ECG是一个新兴的领域，目前关注的研究较少，还有待进一步研究。有兴趣的读者可以参考以下资料获取更多信息：[144]–[147]，[150]–[152] 。
流式心电图聚类
每天产生的心电图数据量巨大，由于硬件资源有限，不实际存储。此外，对高风险患者进行实时监测和即时检测异常事件至关重要。因此，未来的聚类系统需要处理连续到达的心电图数据，即所谓的数据流。
流式心电图聚类对传统聚类系统提出了几个关键挑战。首先，应该在仅一次传递中分析心电图，因为存储所有到达的信号是不切实际的。其次，随着新的心电图到达，聚类可能会发生变化。第三，必须实时识别心脏事件。值得注意的是，所有在此回顾中审查的方法处理的是非流式心电图，留下了可能的未来研究空间。有兴趣的读者可以参考以下资料以获取有关数据流聚类分析的更多信息[153]–[157] 。
心理和生理状态下记录的心电图的公共数据库
到目前为止，已经投入了大量的努力来开发代表不同心脏异常的开放式心电图数据集[1]，[112]，[113] 。然而，如第III-B至III-D节所述，研究发现心电图与不同心理和生理状态之间的关系，以及开发基于心电图的认证系统使用私有数据集。这使得方法之间的比较和复现其结果变得不可能。为了进一步发展这些创新研究领域，需要一个开放式的心电图数据库，其中包含在不同心理状态（如压力或心理障碍）和不同健康状况（如糖尿病）下记录的心电图。这样的数据库需要足够大，并且在个体的性别和年龄方面保持平衡。
基于P波、QRS波和T波的特征工程
大多数回顾性研究并未旨在识别P波和T波以进行特征工程，然而这些波的异常形态可以指示重要的心脏疾病，比如心肌缺血、低钾血症或房颤等 [32] 。此外，R波通常被假定存在于所有记录的心跳中。然而，值得注意的是，在一些异常情况下，如右心致病的情况下，R波可能会缺失 [32] 。
为了解决这些问题，研究人员可以采用最先进的心电图分割系统，例如等人开发的系统 [158] 和Bote等人开发的系统 [159] 。这些系统能够有效地识别心电图上的P、Q、R、S和T波，从而允许提取所有主要波形的时间和形态特征。
结论
在本文中，我们对心电图（ECG）分析的无监督机器学习方法进行了全面而批判性的回顾。我们审查了传统和最新的心电图聚类算法，并对它们的优势和不足进行了详细讨论。我们还广泛审查了无监督ECG分析的各种应用，描述了每个应用领域的最新研究，概述了它们的局限性，并提出了未来的方向。
【论文阅读】我们相信，在无监督生物医学信号处理的背景下，本文中审查的聚类方法将继续在未来的心电图监测中发挥重要作用。