论文阅读( 八 ) _算法

在一项创新性的研究中，等人[6]调查了744名年轻成年人在进行应激性活动（包括解决数学问题和在两个观众面前演讲）时情绪应激与心肺活动之间的关系。他们从参与者那里获取了任务前和任务中的ECG和ICG信号。通过分布式聚类，他们发现了五个不同于自主平衡和静息收缩压水平的参与者群集。结果还显示，吸烟、定期体育锻炼和身体质量指数（BMI）与这些群集无关。此外，男性在执行应激任务时更有可能出现收缩压升高和心脏输出增加的群集中。
-Vel ′ 等人[120]通过聚类研究了情绪进食行为与ECG之间的关系。他们对52名年轻成年人的ECG进行了K均值聚类（K=2），将个体分为有情绪进食行为和没有情绪进食行为两组。他们发现情绪进食行为在超重者（BMI > 85th百分位数）中更为普遍。此外，肥胖者的RR时间序列中高频成分明显更大。
受到深度学习技术的成功启发，等人[99]最近在100名消防员培训生的RR时间序列上训练了一个卷积自动编码器，以识别在进行演练时处于显著压力下的群体。他们对自动编码器学到的潜在表示应用了，并发现了两个群集，其中一个较小的群集对应于表现出显著更多压力的消防员。他们进一步表明，对于这个任务，应用K均值无法找到处于压力下的培训生群体。
可以使用各种统计假设检验来推断ECG特征与不同心理状态之间的显著关系。大多数审查的研究使用了t检验，该检验假设总体服从正态分布。然而，这种假设需要进一步验证，因为采集的数据集很小，可能不符合这种分布。非参数检验，如检验[121]和等级相关[122]，可以在这个应用中进一步研究，因为它们不依赖于正态性假设。
此外，大多数研究中的ECG特征工程阶段仅限于RR间隔和心率。因此，有一个未满足的需求，即研究其他ECG特征（例如PR和QT间隔以及电压和频域特征）与不同心理状态之间的关系。此外，所使用的聚类算法仅限于传统的K均值、层次聚类、高斯混合模型和。特别是，尚未将基于深度学习的聚类算法用于此目的。需要更大的数据集来开发和训练可靠的深度学习算法，以发现ECG与不同心理状态之间的关系。
最后，正如之前提到的，大多数研究将不同的心理状态，如不同的情绪或不同程度的心理障碍，视为基本事实的聚类。对于大多数使用的聚类算法，这些聚类的数量是必需的先验知识。然而，少数研究使用了不需要这种先验知识的算法，如DP-GMM [52] 和 [53] 。它们获得的ECG聚类数量比基本事实所示的数量更多。聚类数量的增加通常会导致不同的ECG模式之间更好的分离，但会使专家难以解释聚类结果。未来的工作需要集中在寻找最优的ECG聚类数量上。
心电图与身体状态
这一研究方向的重点在于通过聚类发现不同的临床表型，包括心电图异常、血压情况、代谢指标和人口统计学等，用于研究不同疾病患者之间的差异。几项研究旨在揭示具有类似心电图模式的患者亚群中的潜在机制和显著生物标志物，这几乎是不可能通过视觉手段进行的。
在这些研究中使用的数据集通常包括来自不同疾病条件（如糖尿病、动脉硬化、栓塞性卒中）或慢性习惯（如吸烟）的个体的心电图和血压信号。在对心电图进行聚类之后，确定每个聚类中的主导心电图模式。然后进行假设检验，以确认这种模式是否与聚类所代表的疾病（或疾病的严重程度水平）相关联。由于在这种应用中地面实况聚类通常是未知的，因此可以使用衡量簇内外相似性的指标，如轮廓系数，来提高这些分析的可靠性。在这里，我们回顾了这一研究领域中的一些创新研究。已回顾的研究摘要见表格 IV 。