ECGLens:从大规模ECG数据中进行心律失常检测的交互式可视分析系统

心电图(ECG)常用于检测心律失常。传统上,心脏病专家总是根据单一的ECG观察图,进行疾病诊断。这导致不规则的心律失常很难检测出来。近几年,随着相关技术的发展,大量原始ECG数据的收集成为可能。这有望提高相关诊断的准确性。但大数据量给心脏病专家带来挑战。针对这个现象,这个工作介绍了基于大规模心电图数据进行心律失常检测和分析的交互式系统ECGLens[1]。

通过与两位领域专家的讨论,他们确定了系统设计的要求:

  • 支持大数据量的探索分析
  • 精准的心律分类
  • 增强心律节拍的识别和比较
  • 交互式的数据探索

图1 交互式心律失常探索过程

他们设计实现了ECGLens,一种用于大规模ECG数据进行心律失常分析的交互式系统。ECGLens系统支持用户:

  • 检查并选择具有异常QTc值(常用的心律失常风险指标)的心电图片段(图1-1a)
  • 基于CNN的自动分类算法、局部异常值检测算法和时间序列视图,检测不规则的心跳(图1-2a,2b,2c)
  • 检测详细的心跳信息以得出准确的诊断结果(图1-3a)

图2 ECG系统的交互式视图,包括(1)基于圆环呈现原始ECG波形的时间视图;(2)在特征空间,显示心跳分布情况的视图;采用(3)传统的和(4)基于图元的表现形式,呈现心跳图的片段;(5)呈现所选心跳图的细节;(6)以列表形式显示异常心跳的集群信息;每个集群的细节信息在视图(7)中显示;(8)显示所选心跳集群的统计信息;(9)显示单个选定的心跳片段的细节信息

在ECGLens系统(图2),初步检查视图(图2-1)采用圆环时间表显示心跳序列的QTc值。背景颜色映射了风险程度:绿色表示健康,红色表示危险。系统支持用户选择具有不规则的QTc值片段,进行更为细致的检查。

在基于MDS的投影视图(图2-2),每个节点表示一个心跳片段,节点间的距离映射了心跳片段的相似程度,颜色表示心跳类型。ECGLens系统包含四种心跳类型,分别是正常心律(绿色),心室异位搏动(VEB)(紫色),室上性异位搏动(SVEB)(黄色)以及正常和VEB相融合的异常(F)(蓝色)。心跳的类型标签,基于CNN模型,参照文章[2]提出的方式,检测获得。

时间信息视图(图2-3,2-4),包含两部分。图2-3是传统的、直接呈现原始的心律情况。同时,采用矩形块将每个心跳片段的检测标签,呈现出来。图2-4则采用他们提出的新颖的图元来呈现原始的心跳。图元的设计细节,如图3所示。这个图元从P波,QRS综合波,ST片段和Q波四个部分,呈现心跳片段的特征。每个都采用相同的可视化图元,映射其波长和振幅。矩形块表示波长超出正常范围,其中蓝色表示波长太短,红色表示波长太长;矩形块的宽度映射了波长与正常值之间的差异程度。线条表示振幅。方向向上表示振幅比正常值大,向下表示振幅比正常值小。图元的背景颜色,从绿色到黄色最后到红色的线性变化,映射了相应心跳的特征与正常特征之间的平均偏差。

图3 呈现心跳特征的图元设计

为说明系统的有效性和实用性,他们开展了两个用户使用调查分析。第一个调查的目的是说明图元设计的有效性。在这个研究中,他们比较分析了图4所示的三种图元在支持用户完成以下两个任务时的优劣:

  1. 在一系列ECG记录中,找到异常的ECG
  2. 对异常的ECG进行分类

图4 三种ECG可视化设计:(a)传统的ECG图片;(b)系统使用的ECG图元;(c)基于热流图的图元。背景颜色映射了波长,圆的大小映射了振幅。

调查结果如图5所示。ECG图元在任务1上的表现,明显优于另外两种形式。但它们在任务2中的表现,非常相近。

图5 图元设计的用户调查结果

第二个调查分为两个阶段,每个阶段都与一个领域专家合作。根据领域专家使用ECGLens系统后的反馈,对系统进行相应的修改更新。

总的来说,这个工作提出了一个交互式数据探索系统ECGLens,结合自动的心跳分类算法和异常检测算法,协助心脏病专家直观地识别和分析大规模心电图记录中的心律失常现象。

引用:

[1]Xu, Ke, et al. “ECGLens: Interactive Visual Exploration of Large Scale ECG Data for Arrhythmia Detection.” Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems. ACM, 2018.

[2]Pranav Rajpurkar, Awni Y Hannun, Masoumeh Haghpanahi, Codie Bourn, and Andrew Y Ng. 2017. Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks. arXiv preprint arXiv:1707.01836 (2017).

评论关闭。