临床医生经常面临的挑战是如何理解大量高维和异构的数据，以便为他们的临床决策提供信息。糟糕的临床决策可能无法提供正确的诊断和治疗，这可能对患者安全和医疗保健费用产生重大影响[ 1, 2]。深度学习(DL)和机器学习(ML)等人工智能技术可以在开发更智能的临床决策算法方面发挥重要作用，帮助临床医生做出准确的诊断。为了在医疗保健领域实施人工智能，数据科学家和临床医生之间的互动对于在自动化和预测系统的开发中最大限度地利用临床数据至关重要[ 2, 3.]。

心血管疾病在本质上是异质性和复杂性的，因为它们可以由过多的环境、遗传或行为因素引起。为了诊断心脏病，提供不正确的数据，如心电图(ECG)数据会对临床决策产生很大影响。已知的错误是由于将心前电极(胸部电极:V1、V2、V3、V4、V5和V6)放置在错误的位置而导致的心电图记录错误，导致错误的ECG信号被医生解释为告知患者诊断体征和治疗计划。护士或心电图技师记录心电图时，许多内科医生和心脏病专家通常不在场，这使情况变得更加复杂[ 4- 7]。因此，ECG口译员不知道用于记录他们正在读取的ECG的电极位置。电极放置错误会影响心电图的临床解释[ 8]。

研究表明，电极V2记录的信号对错位非常敏感，其次是电极V3、V1和V4，而电极V5和V6的心电图形态变化不大[ 9]。电极错位最常见的错误是将电极V1和V2放置在第三或第二肋间隙(ICS)过高。V1电极的正确位置在右胸骨边缘的第四ICS, V2电极的正确位置在左胸骨边缘的第四ICS。正确放置V1和V2电极是至关重要的，因为它们的错误放置也会导致后续剩余的胸部电极(V3到V6)的错误放置[ 9]。心电图采集中电极错位的概率在40%到60%之间[ 10, 11]。大约50%的V1和V2电极放置在离其正确解剖位置较宽和较高的位置[ 10, 11]。

根据一项研究，不正确的电极放置可能导致17%至24%的患者诊断错误[ 12]。垂直错位的V1和V2电极记录的心电图信号也可能导致Brugada综合征的错误诊断[ 13]和未能发现心肌梗死(MI)和左心室肥厚(LVH) [ 10]。错位不仅可以隐藏，而且可以 模仿其他心脏疾病，如心肌梗塞[ 14- 16]。只有不到20%的心脏病专家和50%的护士能够正确地将V1和V2放置在正确的位置[ 17]。已经设计并使用了几种装置来正确放置心前电极。其中一项技术涉及使用滑动尺来促进电极在正确位置的定位[ 18]。不幸的是，这些技术并没有被广泛采用，可能是因为成本的增加。

迄今为止，该领域的研究主要集中在检测肢体电极交换的算法开发上[ 17- 20.而不是心前电极错位，因为后者更具挑战性。Schijvenaars等[ 21]使用体表电位图(BSPMs)推导变换矩阵来模拟电极错位误差;因此，BSPMs适用于电极错位误差的研究。

本研究的目的是确定记录心电图时检测V1和V2电极错位的ML和DL算法的性能(因为V1和V2电极错位也可能导致其他胸部电极错位[V3-V6])，并对一组医生的性能进行基准测试。

脑电图(V1和V2电极)从高分辨率BSPM ( 图1)。每个BSPM由117个节点(ECG电极)组成，称为Kornreich数据集[ 22- 24]。该数据集已在世界各地的团体的大量出版物中使用;然而，还没有研究人员用它来训练一种算法来检测电极V1和V2的错位。

心电数据集由三种不同的受试者类型组成，包括正常心电图和显示心肌梗死和左室左室的心电图。在这项研究中，我们对453例患者进行了心电图检查(正常:n=151, LVH: n=151, MI: n=151)。每个心电图以300 Hz的采样频率采集。对于每个BSPM，我们提取了一个正确的ECG和一个错误的ECG(电极V1和V2错位)。这提供了一个自然的类平衡，其中50%的情况是正确的，50%是不正确的。这一点很重要，因为当算法在每个类中暴露于相同数量的案例时，它们的性能会得到提高，从而避免偏差和最大化 学习。预处理时，使用变换矩阵将每个BSPM中的117个节点或电极相乘，得到352个提供更高分辨率的节点(使用Dalhousie躯干[ 22]，这是一种标准方法)。根据记录的数据集[ 25]，节点169和171，用绿色表示( 图1)，分别表示处于正确位置的电极V1和V2(第四个ICS)。我们使用节点126和128，用蓝色表示( 图1)，用蓝色表示第三个ICS中错位的电极V1和V2，用蓝色表示节点83和85在第二个ICS中错位的V1和V2。对于每个患者，我们同时记录了V1和V2电极的ECG信号和一个包含PQRS偏转的心脏周期。 图2显示了本研究中使用的方法的概述。

考虑到每个患者有一个ECG周期，使用公式1将信号归一化以减少信号失真和基线漂移。

其中s[n]为输入信号，y[n]为输出信号。

在特征提取方面，采用3种不同的方法提取了共16个心电特征:(1)时域特征(我们考虑了6个时域特征，包括p波幅度、PR间隔、QRS起始值、r波峰值幅度、QRS偏移量和s波幅度);(2)统计域特征(包括心电信号的均值、SD、偏度和峰度;皮尔逊相关系数;以及V1和V2电极之间的均方根误差(考虑到这些电极通常错位在一起)，以及(3)时频特征。后者涉及使用4个级别和一个符号母小波函数的离散小波变换，4个详细系数(D1, D2, D3和D4)和4个近似系数(A1, A2, A3和A4)。我们还考虑了D4的最大值、最小值和平均值作为特征。

在特征选择方面，采用滤波和包装相结合的混合特征选择算法。采用互信息特征选择、最大相关最小冗余、联合互信息(JMI)、熵和救济等不同的滤波方法对16个特征进行排序。其次，对排序特征执行反向消除算法，以找到一组最优特征作为ML分类器的输入。反向消去算法从全部16个特征开始，逐个特征去除，直到获得最佳结果。

对于分类，我们使用了6个ML分类器。这涉及到三种不同类型决策树(DT)的使用:(1)精细DT，它用于制作许多叶子，使树能够在类别之间做出细微的区分;(2)粗DT (CDT)，用于生成少量叶子，使树能够粗略区分类别;(3)袋装树，使用带替换的自举生成多个训练数据集，并从多个树中获取大部分结果。数据将用公式2表示。

其中X代表特征，Y代表类。

基尼杂质(Gini杂质，GI)是将树分成树枝的分裂标准。在本研究中，有两个类别:(1)标签0代表不正确的电极放置类别，(2)标签1代表正确的电极放置类别。公式3用于计算每个类的GI。

其中n为类别的数量，PI为数据集中标记为类别I的受试者的比例。

除了DT技术，我们还使用了支持向量机(SVM)和逻辑回归(LR)的变体。这包括一个线性支持向量机，它包含两个平行的超平面，这些超平面被选择用于将数据集分成两个类，其中超平面之间的距离(边距)应该尽可能大。方程4和5描述了两个超平面。

其中w表示每个特征对应的权值，x表示数据集的特征，b表示偏项。在这个超平面之上或在这个超平面上的情况应该属于类1，而在这个超平面之下的情况应该属于类0。

采用二次支持向量机，利用二次核函数将数据集分成两类。线性支持向量机与二次支持向量机的区别在于使用核函数来分割案例。最后，我们使用了LR或logit，因为这是一种用于二元分类的常用统计技术。该技术使用公式6计算的对数赔率(L)，它表示特征和模型参数的线性组合。

在α₀系数为模型参数，xn为特征。

Odds (o)计算是使用式7计算赔率时使用的指数，对应的概率使用式8计算。

深度学习不需要特征工程(即特征提取和选择)。因此，原始的心电信号在不指定特征的情况下被送入深度神经网络。深度学习可以包含不同类型的网络和架构。本研究使用了两种不同的深度学习网络:(1)卷积神经网络(cnn)和(2)双向长短期记忆(BLSTM)网络。CNN已经使用15层组成1输入层(ECG信号用来喂养),3隐藏卷积层(它使用一个过滤器与一个可变长度将输入信号转换成一个卷积层),3批标准化层(用于正常化前一层的输出减去均值的批处理和划分这批的SD), 3修正线性单元层(一个激活函数,用于删除负值),2个max-pool层(将前一层的序列输出合并成一个单一的值，以减少网络中的参数和计算量)，1个全连接层(将一层中的每个神经元连接到下一层的每个神经元)，1个soft-max层(使用LR为每个类生成概率)，1个最终分类输出层。BLSTM网络包括1个序列输入层、2个BLSTM隐藏层(用于在每个时间步长通过每个完整的时间序列学习网络)、1个全连接层、1个soft-max层和1个分类输出层。

一项基于网络的调查，包括30张随机的V1和V2心电图(V1和V2正确放置的心电图[n=15]和V1和V2不正确放置的心电图[n=15])，通过电子邮件发送给2019年国际计算机心电学会会议和2019年心脏病学计算会议的20名参与者。在20名参与者中，有11人回应了调查。他们被要求对V1和V2进行分类，以及它们是否被正确放置。此外，他们还被问及他们的年龄、就业状况和阅读心电图的经历(他们在过去一年中阅读的心电图次数)。共有11名医生回应了这项基于网络的调查。由英国北爱尔兰阿尔斯特大学计算机、工程和建筑环境学院批准。

如前所述，使用三个不同的域(1)时域，(2)统计域和(3)时频域提取16个特征。 表1列出每个特性ID以及特性描述。在特征选择(过滤过程)中，每种特征选择算法从优先级最高的特征到优先级最低的特征进行排序。

经过特征选择后，对6种分类器进行了应用，在第2种ICS中，检测错位的分类器准确率最高的是bagged DT，其次是CDT、fine DT、LR、二次SVM和线性SVM。

对于第三种集成电路的电极错位检测，分类器准确率最高的也是袋装DT，其次是CDT、LR、二次支持向量机、线性支持向量机和精细DT。 表2给出了每个分类器对应于每个特征选择算法的准确率。每个特征选择算法的标签后面附加的数字表示为达到最佳精度所使用的最优特征数量。从分类器的准确率来看，特征选择算法性能最好的分别是JMI(第2个分类器)和RELIEF(第3个分类器)和JMI(第3个分类器)。

在特征选择算法中，MIFS13等上标代表了提供良好准确率的最佳特征数量。

如前所述，使用不同的体系结构开发了两个不同的深度学习网络。与CNN ( 表3)，并且还优于特征工程ML分类器在第二和第三个ics中检测电极错位所达到的最佳精度。 图3图中为第二和第三次ICSs中BLSTM、CNN和bagged tree的准确性、灵敏度、特异性和受者工作特性曲线。

对11名有阅读心电图经验的医生(年龄47.3岁，SD 15.5)(过去一年平均解读心电图数436.54,SD 397.9)的表现进行评价，采用F1(平均0.57,SD 0.14)、灵敏度(平均54.5%，SD 15)、特异性(平均65.4%，SD 21)和准确性(平均60%，SD 15)检测第二ICS ( 图4)。与医生的平均准确率相比，DL达到的准确率高出1.5倍( P<措施)。

在医学文献综述的基础上，心电图电极错位是影响心电图解读的最关键问题之一[ 8]，特别是考虑到它可能导致误诊和不适当的治疗，并可能缺乏对患者的适当治疗。胸部电极放置最常见的错误是将电极V1和V2放置得过高，这会改变心电图形态，从而导致误诊。在本文中，我们提出了检测胸部电极错位的新方法，使用两种方法:(1)特征工程的传统ML算法和(2)深度学习(没有任何特征工程)来检测V1和V2错位。本研究描述了第一个使用深度学习自动检测胸部电极错位的实验，而之前的工作主要集中在肢体电极互换上。在第二ICS中，BLSTM深度学习网络在检测V1和V2错位方面取得了最高的性能，准确率为93.0%，在第三ICS中准确率为74.7%。ML算法(袋装树)取得了类似的性能，准确率为92.7%(第二次ICS检测)和70.0%(第三次ICS检测)。袋装树和深度学习算法(BLSTM和CNN)的性能非常相似，而其他ML算法(F树、C树、LOG、SVM和二次SVM)的性能在统计学上有显著差异( P= 0.01)，与BLSTM、CNN和bagged tree的性能进行比较。共招募了11名具有阅读心电图经验的医生，使用相同的数据集检测第二个ICS中的电极错位，以基准ML和DL模型。此外，当医生被指示识别相对于V1和V2电极记录错误的心电图时，他们是有偏见的。在他们的表现基础上，有显著的差异( P<.001)，与ML和DL算法取得的性能相比。因此，深度学习和机器学习可以用来帮助标记不正确记录的心电图，并标记数据可能存在缺陷。

更一般地说，这项研究是特别独特的，因为许多研究都集中在证明DL通过自动解释x射线或心电图来诊断患者的能力，而这项研究则侧重于使用DL来检测医疗错误。使用深度学习来诊断病人似乎受到了严厉的批评，因为深度学习缺乏透明度，而且它的决策逻辑不能轻易地向最终用户解释。因此，用于诊断的深度学习引发了许多信任问题，因此可能不会被广泛采用。然而，如果黑箱系统被用于其他子任务，比如检测错误，而不是提供患者诊断，医生可能会接受黑箱系统。

这项研究有一些局限性。数据集是有限的，仅包含三种类型的患者(心肌梗死、左心室肥厚或正常窦性心律)。因此，在进一步的研究中，需要包括新类型的患者病例，以增加数据集的大小，提高深度学习的性能。此外，人工检测到正确或不正确心电图的参与者数量很少(n=11)，其局限性在于该队列可能不是ML算法基准测试的代表性样本。然而，这些结果可以作为未来研究的方向。所使用的算法本质上是二进制的，并且没有在许多不同类型的错位和ECG记录的变化上进行测试。因此，所有胸部电极(V1-V6)应包含一个小的随机变化。所提出的算法在现实环境中的表现可能不像研究中那样准确，因为算法需要在不同的环境中对患者病例和不同的数据集进行前瞻性测试。此外，由于V1和V2的错位也会导致剩余引线(V3-V6)的错位，因此还需要进一步了解V3-V6电极错位的影响。医生在检测V1和V2电极错位时的表现很可能在现实世界中比我们指示受试者的要低 留心并检测V1和V2电极的错位，这在临床实践中不太可能是医生在阅读心电图时最优先考虑的情况或优先考虑的问题。考虑到用于检测V1和V2的ML特征有些通用，该特征集可以通过专家的进一步临床见解和文献来减少或改进，这些文献详细描述了V1和V2信号的形态。

实现本研究中发明的算法可以提高心电数据的质量，从而可以改善心脏护理的决策。我们可以得出结论，与基于ml的模型和经验丰富的医生的能力相比，深度学习在检测胸部电极错位方面提供了最好的性能。因此，医疗器械行业应考虑深度DL检测胸部电极错位。结果清楚地表明，错位越大(即在第二次ICS中)，模型精度越高。因此，在我们未来的研究中，我们的目标是使用rSr ' prime替代技术提高第三次ICS中检测胸部电极错位的准确性。然而，在医疗保健中采用这些算法将需要时间和昂贵，因为它可能需要前瞻性测试作为试验的一部分，并得到不同监管机构(如食品和药物管理局)的批准。然而，考虑到该算法用于标记潜在错误，而不提供诊断或建议治疗，风险可能不那么严重。可能还有其他成本，包括员工培训和将算法集成到心电图机中。未来的工作还将涉及显著性图的生成，可以用来解释深度学习算法是如何做出决策的。这将促进知识发现，并可能导致新的心电图特征是电极错位的特征。