由 dawei
我国心血管疾病（CVD）的患病率和死亡率都处于上升阶段，疾病负担日益加重。心电图是一种临床常用的筛查和诊断心律失常和CVD的方法。常规心电图检查获得的信息较少，极有可能漏诊。24 h动态心电图虽能更好地反映患者的心电图特点，但也使心电医技人员的工作量明显增加。
随着便携式心电可穿戴设备的快速发展，新增的海量心电图数据的判别和诊断已经无法仅靠人工来完成。近年来人工智能和机器学习（ML），特别是深度学习，在辅助诊断、医学影像处理等领域应用迅速发展，在心电图自动诊断方面也取得了诸多卓有成效的进展。
Sulaiman Somani 博士等对31篇文献进行了综述，总结了深度学习应用于心电图相关的五个领域的研究，包括心律失常、心肌病、心肌缺血、瓣膜病、高钾血症和其他非心血管疾病，并对其局限性和未来研究的方向进行了讨论。
概 述
人工智能在过去十年间发展迅速，已被广泛应用于医疗领域。
1.人工智能、机器学习和深度学习
人工智能有包括机器学习在内的多个领域，而深度学习又是机器学习的一个分支，深度学习技术在图像识别和语音识别中超越了传统机器学习。深度学习通过在模型中加入多层的计算单元并形成"深度"模型，从而获得强大的表示学习能力，能从数据中学习到多层次的抽象表征。
目前，卷积神经网络是最常用于分析心电图的深度学习方法。
2.心电图的数据分析
心电图信号可以用多种形式来表示，每种形式都可以用深度学习进行分析。心电图可以被分为固定长度的单个心脏搏动子样本，每个心电图可产生数百到数千个子样本，从中得出的特征可用于传统的深度学习网络，如全连接神经网络。此外，它可以作为二维布尔（0或1）图像而非一维信号发送，与基于图像的卷积神经网络高度兼容。
心电图分析所择的信号类型取决于可用的数据库。MIT-BIH房颤数据库是最早发布的数据库；心脏病学计算挑战赛的数据集通过引入了更大的数据库；MIMIC数据库也逐渐普及，提供了超过67000份ICU患者的心电图；医疗机构数据库也在逐渐增长，其心电图的数量已远超开放数据库。