论文阅读( 六 ) _算法

心跳聚类
心跳聚类的有效性通常在具有心脏病专家标签的心电图数据集上进行衡量。每个得到的簇预计只包含属于一个标签的心跳。分类指标（如准确度和敏感性）和相似度指标（如系数和归一化互信息）被广泛用作成功度量标准。系数和归一化互信息的取值范围从0到1，较高的值表示已识别的簇与真实标签很好地匹配。轮廓分数是另一个广泛使用的测量标准，它不需要真实的簇。轮廓分数衡量了样本相对于其他簇的相似性，范围从-1到1，较高的值表示样本与其簇很好地匹配且与其他簇分开。
用于评估心电图聚类方法的数据集包括MIT-BIH心律失常数据集、-(PTB)数据集、St.-of12-导联心律失常(CTAD)数据集、UCR心律失常数据集和BIDMC充血性心力衰竭数据集，其中MIT-BIH心律失常数据集是最常用的数据集之一。
在众多研究中，等人设计了一种有效的心跳聚类系统，将以小波系数表示的QRS复合物分为25个簇，并使用自组织映射获得了高准确度（98.5%）的结果。通过使用自组织映射，他们提供了一个保留数据集内某些拓扑信息的邻域映射（如2维网格），最终有助于心脏病专家的解释。
大量研究集中于通过采用各种聚类和优化技术来提高心电图聚类的准确性，如蚁群聚类、蜜蜂群聚类、最大间隔聚类、高斯混合模型、层次聚类、K均值、亲和传播和深度自动编码器网络。这些算法中，由和提出的聚类系统在MIT-BIH数据集上取得了最高的准确度（99.98%）。他们采用了基于K均值、压缩感知理论和K奇异值分解的方法，将心跳分成正常、上心室异位、心室异位、融合和不可分类的五组。
尽管这些深度学习研究取得了令人鼓舞的结果，但仍然需要更先进的聚类算法，可以自动处理不平衡数据问题，而无需预处理算法和专家分析。在这方面，可以进一步研究基于深度生成模型的算法，例如，它可以学习从少数簇中生成新的样本。未来的研究还应专注于在大规模公共心电图数据集上应用基于深度学习的聚类算法，例如由Zheng等人收集的数据集和等人的数据集。
从临床角度来看，一些研究利用符号化进行了创新的心电图聚类。他们通过使用最大-最小聚类算法对心跳进行聚类，并为每个识别出的簇分配符号，将心电图信号转化为符号字符串。在符号表示下，他们搜索代表不规则活动的熵增子序列。他们的方法成功地检测到一个心房异位节律序列，这一点被心脏病专家忽视了。类似地，他们还将工作扩展到了风险分层，成功地找出了在急性冠状动脉综合症治疗后的90天内，虽然接受了相似治疗，但死亡风险升高的患者。从临床监测心脏的角度来看，12导联心电图是一种标准的临床协议，通过在患者身体的10个不同位置上连接电极来记录电活动。为了从12导联心电图中获取特征，通常会将从每个导联提取的特征进行串联。然而，这种表示通常不能保留12个信号的相对位置。为了解决这个问题，He等人使用了张量分解技术。他们将通过每个导联记录的心电图表示为其小波系数：W ∈ RV ×L，其中V和L分别表示导联数和小波系数数。然后，通过张量化，W被分解为W′ ∈ RI1×I2×I3，其中I1、I2和I3分别代表记录的信号、采样时间和小波频率子带。他们使用高斯混合模型将12导联心电图的张量表示分为两个簇，分别对应于正常和异常心电图。他们的系统在包含两段30分钟12导联心电图记录的CTAD数据集的子集上达到了0.93的高系数。
心电图与心态状态
心态状态、情绪和精神障碍常常与自主神经系统（ANS）相关联。自主神经系统和心脏之间通过心脏的窦房结（SA结）进行双向交互作用[8]，[115]，[116] 。窦房结，也被称为心脏的起搏器，产生电脉冲刺激心脏肌肉收缩和泵血[32] 。近年来，心电图聚类在心理生理学等领域有助于研究人员发现与不同心态状态相关的隐藏心电图模式。