基于1-D CNN的QRS波群檢測(cè)算法

郭新杰，曾 成+，孫尚云，趙 地，花中秋

(1.河北工業(yè)大學(xué) 電子信息工程學(xué)院，天津 300401；2.中國(guó)科學(xué)院 計(jì)算技術(shù)研究所天津分所， 天津 300380；3.中國(guó)科學(xué)院 計(jì)算技術(shù)研究所，北京 100190)

0 引 言

近兩年，卷積神經(jīng)網(wǎng)絡(luò)逐漸被應(yīng)用于QRS波群檢測(cè)。Marko等[1]提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)(one-dimensional convolutional neural network，1-D CNN)的QRS波群檢測(cè)算法，除去信號(hào)中的基線漂移后進(jìn)行歸一化處理，然后，選取包含145個(gè)采樣點(diǎn)的滑動(dòng)窗截取數(shù)據(jù)，若窗口中心距R波峰小于40 ms就作為正樣本，否則為負(fù)樣本，最終將1-D CNN模型的正輸出做聚類以形成最終的QRS波群檢測(cè)結(jié)果，準(zhǔn)確率達(dá)到99.75%。Yande Xiang等[2]將基于注意力的二級(jí)1-D CNN方法用于QRS波群檢測(cè)，首先通過(guò)數(shù)據(jù)預(yù)處理得到心電信號(hào)的差分信號(hào)和平均差分信號(hào)，然后，將不同信號(hào)分別送入對(duì)象級(jí)CNN和部分級(jí)CNN用于提取ECG信號(hào)不同粒度的特征，最終，將對(duì)象級(jí)CNN和部分級(jí)CNN所提取的形態(tài)特征融合提供給多層感知器進(jìn)行QRS波群檢測(cè)，準(zhǔn)確率為99.67%。上述算法需對(duì)信號(hào)進(jìn)行多次預(yù)處理操作，相當(dāng)于對(duì)信號(hào)做濾波處理，會(huì)濾掉ECG信號(hào)中的有用信息且增加算法的計(jì)算復(fù)雜度。

本文提出一種基于1-D CNN的QRS波群檢測(cè)算法，其不需要大量數(shù)據(jù)預(yù)處理，采用不同于前人的數(shù)據(jù)集制作方式，僅使用一個(gè)1-D CNN模型和非極大值抑制算法相結(jié)合就可以完成QRS波群的特征提取和檢測(cè)。

1 方 法

算法框架如圖1所示，主要分為數(shù)據(jù)預(yù)處理、1-D CNN模型和非極大值抑制算法3個(gè)部分。對(duì)數(shù)據(jù)進(jìn)行重采樣后，通過(guò)固定窗對(duì)數(shù)據(jù)進(jìn)行截取和歸一化形成心電信號(hào)片段喂入1-D CNN模型，最后通過(guò)非極大值抑制算法對(duì)1-D CNN輸出的QRS波群檢測(cè)概率序列進(jìn)行處理，得到算法最終的QRS波群檢測(cè)結(jié)果。

圖1 基于1-D CNN的QRS波群檢測(cè)算法框架

1.1 數(shù)據(jù)預(yù)處理

一個(gè)完整的心動(dòng)周期在ECG中表現(xiàn)為一個(gè)完整的心拍，如圖2所示，包括了P波、QRS波群和T波等，各個(gè)波形的不同形式往往體現(xiàn)了某些病變。在ECG的所有波形中，QRS波群最為明顯，一般以它為基準(zhǔn)來(lái)定位其它波的位置[3]。QRS波群檢測(cè)是ECG信號(hào)分析診斷的前提和基礎(chǔ)，只有QRS波群標(biāo)定后，才有可能計(jì)算心率，檢測(cè)ST段參數(shù)，區(qū)分正常和異常心拍，進(jìn)而對(duì)心律異常進(jìn)行分析。

圖2 心拍波形

心電信號(hào)的頻率分布在0.05 Hz-60 Hz之間，而信號(hào)中常見(jiàn)的干擾，如基線漂移、工頻干擾和肌電干擾分布在信號(hào)的不同頻段，任何去噪都會(huì)濾掉信號(hào)中的有用信息。因此，本文不對(duì)數(shù)據(jù)做去噪處理。

采樣頻率的高低對(duì)心電信號(hào)的波形產(chǎn)生很大的影響，提高采樣頻率能提高心電信號(hào)波形的質(zhì)量，減少Q(mào)RS波形的失真。當(dāng)采樣頻率高到一定的數(shù)值之后，再提高采樣頻率對(duì)改善心電波形的作用就不明顯了。為此，指定一個(gè)合適的采樣頻率是必要的。目前多數(shù)設(shè)備的采樣頻率為 125 Hz 左右，但是對(duì)于上限頻率達(dá)到100 Hz的系統(tǒng)來(lái)說(shuō)，合適的采樣頻率應(yīng)該達(dá)到250 Hz，且為了使本算法能夠更好的為可穿戴心電檢測(cè)設(shè)備所使用，本文將所有數(shù)據(jù)重采樣為250 Hz。

為了能夠加快算法的收斂速度，方便后期數(shù)據(jù)處理，以QRS波群中的R波峰和隨機(jī)非R波峰位置為中心，使用固定窗對(duì)數(shù)據(jù)進(jìn)行截取形成心電信號(hào)片段后進(jìn)行歸一化處理。

1.2 1-D CNN模型

常見(jiàn)的二維卷積神經(jīng)網(wǎng)絡(luò)常被用來(lái)做圖像分類，本文要處理的心電信號(hào)為一維離散序列，故先將二維卷積神經(jīng)網(wǎng)絡(luò)修改為適合于心電信號(hào)特征提取的一維卷積神經(jīng)網(wǎng)絡(luò)[4]。本文所使用的一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 1-D CNN模型結(jié)構(gòu)

其由一個(gè)輸入層，5個(gè)卷積層，4個(gè)池化層，5個(gè)歸一化層，一個(gè)全連接層和一個(gè)輸出層組成。前4個(gè)卷積層后面都尾隨一個(gè)池化層和歸一化層，第5個(gè)卷積層后面直接跟一個(gè)歸一化層。

卷積層在上層的特征向量和當(dāng)前層的卷積核之間執(zhí)行卷積運(yùn)算，使用Relu作為激活函數(shù)，可增強(qiáng)原始信號(hào)的特征并減少噪聲，卷積層參數(shù)包括卷積核長(zhǎng)度、滑動(dòng)步長(zhǎng)和填充，三者共同決定了卷積層輸出特征向量的長(zhǎng)度。其中卷積核長(zhǎng)度可以指定為小于輸入特征向量的任意值，卷積核越大，可提取的特征越復(fù)雜?；瑒?dòng)步長(zhǎng)是卷積核在特征向量水平方向上每次的滑動(dòng)長(zhǎng)度，例如，若滑動(dòng)步長(zhǎng)為2時(shí)，卷積核隔一個(gè)點(diǎn)移動(dòng)一次。隨著卷積層的堆疊，特征向量的長(zhǎng)度會(huì)逐漸減小。為此，填充的目的是人為增加特征向量的長(zhǎng)度以抵消在計(jì)算中特征向量長(zhǎng)度的減小，常見(jiàn)的填充方法為Same和Valid，本文所使用的填充方式為Valid，為非填充，P為0。每個(gè)卷積層后輸出特征向量的長(zhǎng)度X的計(jì)算公式為

(1)

式中：W為輸入數(shù)據(jù)長(zhǎng)度，F(xiàn)為卷積核長(zhǎng)度，P的值要根據(jù)全0填充的類型來(lái)確定，S為卷積核滑動(dòng)步長(zhǎng)。

池化也稱為下采樣，其不會(huì)改變輸入特征向量的個(gè)數(shù)，只會(huì)改變每個(gè)特征向量的長(zhǎng)度，主要為了降低模型復(fù)雜度和減小過(guò)擬合。池化最常用的有最大池化和平均池化，本文采用最大池化來(lái)減小ECG數(shù)據(jù)的維數(shù)，對(duì)特征進(jìn)行壓縮，并提取有效特征。在池化核覆蓋的特征向量區(qū)域內(nèi)，選取最大值來(lái)替代當(dāng)前區(qū)域的所有值[5]。每個(gè)池化層后輸出特征向量的長(zhǎng)度Y的計(jì)算公式為

(2)

式中：W為輸入數(shù)據(jù)長(zhǎng)度，F(xiàn)為池化核長(zhǎng)度，S為池化核滑動(dòng)步長(zhǎng)。最終將全連接層的輸出經(jīng)過(guò)softmax得到概率值以計(jì)算分類結(jié)果。

1.3 非極大值抑制算法

本文數(shù)據(jù)集中以R波峰位置為中心的數(shù)據(jù)為正樣本，任何以非R波峰位置為中心的數(shù)據(jù)都是負(fù)樣本，卷積神經(jīng)網(wǎng)絡(luò)最終輸出的是對(duì)一個(gè)樣本判斷的概率值，樣本中心點(diǎn)越是靠近R波峰，概率值就越大，因此，1-D CNN模型在1個(gè)QRS波群上會(huì)有2-5個(gè)較大的概率值輸出，如圖4(b)為包含700個(gè)采樣點(diǎn)的心電信號(hào)圖4(a)對(duì)應(yīng)的1-D CNN模型的概率輸出。針對(duì)此問(wèn)題，本文采用非極大值抑制的方法，若概率值大于1-D CNN模型分類的閾值，則使用包含10個(gè)概率序列的固定窗切割概率序列，若切割以后的概率序列中間值為最大，則此處為R波峰，如圖4(c)所示。

圖4 非極大值抑制算法的數(shù)據(jù)處理

2 實(shí)驗(yàn)及結(jié)果分析

首先，通過(guò)采用不同長(zhǎng)度固定窗對(duì)心電數(shù)據(jù)進(jìn)行切割得到3個(gè)不同長(zhǎng)度的數(shù)據(jù)集，然后，通過(guò)將3個(gè)不同長(zhǎng)度的數(shù)據(jù)集分別與兩種歸一化方式組合構(gòu)成6組數(shù)據(jù)集后，將數(shù)據(jù)喂入1-D CNN模型得到6組對(duì)比實(shí)驗(yàn)結(jié)果，最后，通過(guò)將最優(yōu)的1-D CNN模型和非極大值抑制算法相結(jié)合與傳統(tǒng)QRS波群檢測(cè)算法在測(cè)試集上作對(duì)比，得出本算法在準(zhǔn)確度和抗干擾能力等方面都要優(yōu)于傳統(tǒng)的QRS波群檢測(cè)算法。

2.1 數(shù)據(jù)切割與歸一化方式

QRS波群最多可展寬至0.2 s，將數(shù)據(jù)重采樣為 250 Hz 后，一個(gè)QRS波群可包含50個(gè)采樣點(diǎn)，依據(jù)心電信號(hào)特性[6]，本文以MIT-BIH心律失常數(shù)據(jù)庫(kù)提供的R波峰和隨機(jī)非R波峰位置為中心左右分別各取50、75、100個(gè)采樣點(diǎn)構(gòu)成包含101、151、201個(gè)采樣點(diǎn)的數(shù)據(jù)集，正、負(fù)樣本數(shù)據(jù)分割如圖5(a)，圖5(b)所示。

圖5 數(shù)據(jù)分割

MIT-BIH自帶歸一化方式如式(3)所示[7]，在將數(shù)據(jù)平移至中心點(diǎn)后進(jìn)行伸縮處理。正常的RR間期在0.6 s-1 s之間[14]，所有非R波峰位置都作為負(fù)樣本中心點(diǎn)的候選，因此，負(fù)樣本中會(huì)有數(shù)據(jù)全取自上一心拍的S波與下一心拍的Q波之間，幅度較低，如圖5(b)所示。將圖5(b)中包含151個(gè)采樣點(diǎn)的負(fù)樣本數(shù)據(jù)單獨(dú)取出，采用MIT-BIH自帶歸一化方式對(duì)數(shù)據(jù)進(jìn)行歸一化后，相當(dāng)于對(duì)數(shù)據(jù)做平移拉伸，會(huì)導(dǎo)致其與QRS波群相似，如圖6所示。針對(duì)此問(wèn)題，本文對(duì)MIT-BIH自帶歸一化方式進(jìn)行優(yōu)化，對(duì)于最大值減最小值低于0.3 mv的數(shù)據(jù)僅對(duì)其進(jìn)行平移不做拉伸處理

(3)

式中：x為當(dāng)前ECG信號(hào)的電壓值，xmax為該樣本數(shù)據(jù)中最大值，xmin為該樣本數(shù)據(jù)中最小值。

圖6 歸一化與未歸一化數(shù)據(jù)

2.2 數(shù)據(jù)集

本文使用的ECG信號(hào)來(lái)自MIT-BIH心律失常數(shù)據(jù)庫(kù)和中國(guó)科學(xué)院計(jì)算技術(shù)研究所天津分所大象隨心寶可穿戴設(shè)備采集的數(shù)據(jù)。將MIT-BIH心律失常數(shù)據(jù)庫(kù)的數(shù)據(jù)分為訓(xùn)練集和驗(yàn)證集，以驗(yàn)證本方法的可行性；將可穿戴設(shè)備采集的數(shù)據(jù)作為測(cè)試集，以檢驗(yàn)算法的準(zhǔn)確度、魯棒性及抗噪聲能力。

MIT-BIH心律失常數(shù)據(jù)庫(kù)包括48個(gè)雙通道動(dòng)態(tài)心電圖記錄，前23個(gè)記錄是從常規(guī)門診患者的數(shù)據(jù)中提取的，而剩下的25個(gè)記錄是由于包含一些比較少見(jiàn)、復(fù)雜且不易識(shí)別的室性、交界性、室上性心律失常以及傳導(dǎo)異常等臨床常見(jiàn)異常而選擇的，其48個(gè)雙通道信號(hào)分布見(jiàn)表1。正常QRS波群通常在第一個(gè)通道特征顯著，第二個(gè)通道信號(hào)導(dǎo)聯(lián)軸差不多與平均心電軸正交，為了準(zhǔn)確定位QRS波群位置，本文采用的是第一通道信號(hào)。在MIT-BIH心律失常數(shù)據(jù)庫(kù)中選擇46條記錄(102和104記錄兩通道信號(hào)均不來(lái)自MLII導(dǎo)聯(lián)，本文不將其作為數(shù)據(jù)集)按照跨病人的方式分為訓(xùn)練集DS1和驗(yàn)證集DS2，其中DS1=(101，106，108，109，112，114，115，116，118，119，122，124，201，203，205，207，208，209，215，220，223，230)，DS2為剩下的24條記錄[8]。

表1 MIT-BIH心律失常數(shù)據(jù)庫(kù)每條記錄的通道分布

通過(guò)對(duì)DS1和DS2中的記錄做分割和歸一化處理，最終3個(gè)不同長(zhǎng)度數(shù)據(jù)集中訓(xùn)練集與驗(yàn)證集所含數(shù)據(jù)量見(jiàn)表2。

表2 數(shù)據(jù)集

用戶通過(guò)將可穿戴設(shè)備粘貼于胸部，如圖7(a)，圖7(b)所示，獲得250 Hz采樣頻率的模擬導(dǎo)聯(lián)心電數(shù)據(jù)。本文在大象隨心寶可穿戴設(shè)備所有用戶中隨機(jī)抽取50條較為常規(guī)的心電數(shù)據(jù)，記為first_50，然后隨機(jī)抽取50條混有心肌缺血、基線漂移、工頻干擾的心電數(shù)據(jù)，記為last_50，每條數(shù)據(jù)時(shí)長(zhǎng)為10 min。

圖7 可穿戴設(shè)備數(shù)據(jù)采集

為了檢測(cè)算法的實(shí)時(shí)效果，針對(duì)測(cè)試集，本文不對(duì)其進(jìn)行整體數(shù)據(jù)切割，而是通過(guò)每次滑動(dòng)一個(gè)采樣點(diǎn)的方式滑動(dòng)固定窗對(duì)數(shù)據(jù)截取和歸一化后直接喂入1-D CNN模型，經(jīng)過(guò)非極大值抑制算法，輸出連續(xù)的概率分布，來(lái)實(shí)時(shí)展示本算法的QRS波群檢測(cè)效果。

2.3 評(píng)價(jià)指標(biāo)

用于評(píng)估檢測(cè)性能的測(cè)量指標(biāo)是假陰性率(false negative rate，F(xiàn)NR)，假陽(yáng)性率(false positive rate，F(xiàn)PR)和準(zhǔn)確率(accuracy，Acc)，它們分別通過(guò)式(4)～式(6) 計(jì)算

(4)

(5)

(6)

其中，TP為正樣本預(yù)測(cè)為正樣本的數(shù)量，F(xiàn)P為負(fù)樣本預(yù)測(cè)為正樣本的數(shù)量，TN為負(fù)樣本預(yù)測(cè)為負(fù)樣本的概率，F(xiàn)N為正樣本預(yù)測(cè)為負(fù)樣本的數(shù)量。

2.4 1-D CNN模型特征提取

1-D CNN模型在對(duì)數(shù)據(jù)進(jìn)行分類時(shí)，只需我們將數(shù)據(jù)輸入網(wǎng)絡(luò)，在模型內(nèi)部通過(guò)前向傳播和反向傳播算法不斷更新參數(shù)找到全局最優(yōu)解或局部最優(yōu)解來(lái)自動(dòng)進(jìn)行特征提取，在每個(gè)卷積層所提取的特征中隨機(jī)選取3個(gè)并進(jìn)行可視化，如圖8所示，其中第一排為原始數(shù)據(jù)，后面依次是1-5卷積層隨機(jī)選取的3個(gè)特征向量。

圖8 特征向量可視化

從不同卷積層可視化出來(lái)的特征向量圖可以得出：①淺層網(wǎng)絡(luò)提取的是紋理，細(xì)節(jié)特征；②深層網(wǎng)絡(luò)提取的是高緯度特征，可視化后的特征圖越來(lái)越抽象，可解釋性差，這也是卷積神經(jīng)網(wǎng)絡(luò)所存在的一個(gè)缺陷。

2.5 1-D CNN模型實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果見(jiàn)表3，可以看出，采用相同的歸一化方式，包含101個(gè)采樣點(diǎn)的數(shù)據(jù)集所訓(xùn)練的模型假陰性率過(guò)高，包含201個(gè)采樣點(diǎn)的數(shù)據(jù)集所訓(xùn)練的模型假陽(yáng)性率過(guò)高；相同數(shù)據(jù)集長(zhǎng)度條件下，采用優(yōu)化歸一化方式所訓(xùn)練的模型在3個(gè)評(píng)價(jià)指標(biāo)上都要優(yōu)于MIT-BIH自帶歸一化方式所訓(xùn)練的模型，且在假陽(yáng)性率和準(zhǔn)確度上提升較為明顯。由此可見(jiàn)，151個(gè)采樣點(diǎn)與優(yōu)化后的歸一化方式組合，算法效果最佳。

2.6 最優(yōu)檢測(cè)算法實(shí)驗(yàn)結(jié)果

將該算法、蘇志同等[9]提出的差分閾值算法以及 Merah 等[10]提出的小波變換算法均應(yīng)用于測(cè)試集實(shí)時(shí)進(jìn)行QRS波群檢測(cè)，最終在100條測(cè)試集數(shù)據(jù)的準(zhǔn)確度上求統(tǒng)計(jì)平均，1-D CNN檢測(cè)算法準(zhǔn)確度為98.51%，小波變換算法準(zhǔn)確度為95.75%，差分閾值算法準(zhǔn)確度為92.34%，本文算法要明顯高于其它兩個(gè)傳統(tǒng)算法。在first_50和 last_50 數(shù)據(jù)上面的表現(xiàn)性能如圖9所示，傳統(tǒng)算法和本文算法對(duì)于常規(guī)的心電信號(hào)準(zhǔn)確度相差無(wú)幾，差分閾值方法僅有一條數(shù)據(jù)較低，但準(zhǔn)確度也高于95%，然而，在混有基線漂移、工頻干擾、肌電干擾等干擾的數(shù)據(jù)中準(zhǔn)確度差別較大，充分說(shuō)明本算法在抗干擾方面明顯優(yōu)于現(xiàn)有的QRS波群檢測(cè)算法。

心房顫動(dòng)(atrial fibrillation，AF)簡(jiǎn)稱房顫，是一種常見(jiàn)的心律失常。發(fā)生房顫時(shí)心電圖表現(xiàn)為：①P波消失，出現(xiàn)一系列連續(xù)并且不規(guī)則的心房激動(dòng)波，稱為f波；②RR間期絕對(duì)不規(guī)則[11]，房顫波形如圖10心電信號(hào)所示。在心電信號(hào)幅值較低的患者中會(huì)將f波誤判為R波，進(jìn)而對(duì)心律失常進(jìn)行誤判，影響患者治療。本算法在房顫心電信號(hào)的表現(xiàn)性能如圖10中檢測(cè)結(jié)果所示，能夠很好的對(duì)房顫患者的心電信號(hào)進(jìn)行準(zhǔn)確的QRS波群檢測(cè)。

表3 實(shí)驗(yàn)結(jié)果

圖9 實(shí)驗(yàn)結(jié)果對(duì)比

圖10 房顫心電數(shù)據(jù)

在ECG的采集過(guò)程中，由于電極與體表接觸不良、電極電阻變化、人體呼吸或其它肌肉緩慢運(yùn)動(dòng)等，導(dǎo)致ECG發(fā)生基線漂移，如圖11中心電信號(hào)所示。在大多數(shù)研究中，都會(huì)通過(guò)曲線擬合、小波變換或自適應(yīng)濾波等方法來(lái)消除基線漂移對(duì)心電信號(hào)的影響[12]，本文算法在不去除基線漂移的前提下，能夠很好地識(shí)別混有基線漂移的心電信號(hào)中的QRS波群，如圖11中檢測(cè)結(jié)果所示。

圖11 基線漂移心電數(shù)據(jù)

在心電圖的采集、轉(zhuǎn)化過(guò)程中容易受到環(huán)境和設(shè)備的影響，產(chǎn)生噪聲，特別是50 Hz的工頻干擾[13]。相比于在醫(yī)院檢查時(shí)靜息狀態(tài)下采集的心電信號(hào)，動(dòng)態(tài)心電圖是在人們運(yùn)動(dòng)中采集的，其中會(huì)混有大量的工頻干擾，如圖12中心電信號(hào)所示。因此，準(zhǔn)確定位混有工頻干擾的心電信號(hào)中QRS波群的位置，為患者的診斷提供良好的基礎(chǔ)是至關(guān)重要，本算法在混有工頻干擾的心電信號(hào)中的QRS波群檢測(cè)的表現(xiàn)性能如圖12中檢測(cè)結(jié)果所示。

圖12 工頻干擾心電數(shù)據(jù)

3 結(jié)束語(yǔ)

本文通過(guò)將不同數(shù)據(jù)集長(zhǎng)度、不同歸一化方式組合作對(duì)比實(shí)驗(yàn)，得出結(jié)論：①在250 Hz采樣頻率下，對(duì)比3個(gè)不同長(zhǎng)度數(shù)據(jù)集所訓(xùn)練模型的實(shí)驗(yàn)結(jié)果，取151個(gè)采樣點(diǎn)所訓(xùn)練模型的QRS波群檢測(cè)效果最好，101個(gè)采樣點(diǎn)數(shù)會(huì)導(dǎo)致QRS波群檢測(cè)假陰性率增高，201個(gè)采樣點(diǎn)數(shù)會(huì)導(dǎo)致QRS波群檢測(cè)假陽(yáng)性率增高；②本文通過(guò)優(yōu)化歸一化方式試圖解決非QRS波群因幅度較低經(jīng)原始?xì)w一化后被判斷為QRS波群的問(wèn)題，實(shí)驗(yàn)結(jié)果表明新的歸一化方式在假陽(yáng)性率和準(zhǔn)確度上都有所提升；③為了避免心電信號(hào)中的有用信息被過(guò)濾掉，本算法在不對(duì)數(shù)據(jù)做去噪處理的情況下，具有較好的噪聲魯棒性。

實(shí)際生活中，動(dòng)態(tài)心電數(shù)據(jù)會(huì)因個(gè)體、時(shí)間、環(huán)境等因素發(fā)生變化，僅使用MIT-BIH心律失常數(shù)據(jù)庫(kù)來(lái)對(duì)模型進(jìn)行訓(xùn)練，不足以滿足患者心電數(shù)據(jù)的特異性，還需要更多的數(shù)據(jù)加入模型訓(xùn)練來(lái)提高模型的魯棒性；此外，QRS波群檢測(cè)幾乎是所有ECG自動(dòng)分析的切入點(diǎn)，僅對(duì)其研究是不夠的，接下來(lái)還需要對(duì)單個(gè)心搏進(jìn)行分類，進(jìn)而利用醫(yī)學(xué)知識(shí)，根據(jù)心搏的排列順序以及心率來(lái)對(duì)心律失常進(jìn)行判斷，以此來(lái)減少醫(yī)生工作量，提高醫(yī)生的工作效率。