【论文阅读笔记】Arrhythmia detection using deep convolutional neural network with long duration ECG signals

论文阅读：Arrhythmia detection using deep convolutional neural network with long
duration ECG signals

一、摘要

文章提出了一种基于长期心电图信号分析的心律失常（17类，包括正常窦性心律、15个心律不齐以及起搏器节律）检测的深度学习方法。基于MIT-BIH心律失常数据库中的1000条ECG信号片段（来自45个人的MLII信号），截取10s的ECG切片，采用了一种高效、快速（实时分类）、非复杂和使用简单的新的一维卷积神经网络模型。

二、数据

基于MIT-BIH心律失常数据库，研究的ECG数据集包含从1000个随机选择的ECG信号片段中提取的3600个10 s非重叠样本，这些片段以45 Hz的采样频率和200个adu / mV的增益在45 个单一ECG引线位置（MLII）上记录个人：19名女性（年龄23-89岁）和26名男性（年龄32-89岁）。十七独特的诊断类（正常窦性心律，起搏器节奏，和15种类型的心律失常的）。
10s是在常规12 导联心电图上采集心律带的典型持续时间。这是方便的，因为可以不加改动地应用算法。
假设条件
–分析10 s的ECG信号片段（与单个QRS络合物相对）；
–没有信号过滤；
–没有QRS波群检测和分割；
–将分类和特征提取与选择阶段结合起来的端到端结构；
–分析每个包含一种独特类别类型的心电信号片段（正常窦性心律除外）。

三、方法

1.标准化处理
三组对比实验：（1）不归一化（2）将信号重新缩放至【-1，1】范围，并不断减小分量（3）信号标准化（信号标准偏差为1，平均值为0）。最终选择重新缩放达到最佳结果

2.拟议的1D-CNN分类模型
深度网络模型的结构由经典的CNN层组成，但1D-CNN的结构占主导地位。在1D 卷积层中对表示ECG片段的特征图进行各种大小权重的卷积处理。研究中设计的16层深1D-CNN模型如图所示：

在模型的第一层中，对输入的ECG信号使用128 wt矢量执行一维卷积。使用每个批次的批次标准化层来标准化此层的激活输出。在一维最大池化层中，通过获取从先前图层获得的特征图上指定的区域中的最大值来生成新的特征图。该层根据区域大小从上一层缩小特征图的大小。减少特征图的大小是减少深度学习结构的计算成本的重要步骤。为此，在1D Max图层中使用诸如平均值之类的不同方法来代替最大值。

四、结果

在13类划分中50个epoch结束时，训练和验证阶段的准确率分别达到100％和93.96％。对于15类划分中，训练和验证的准确率分别为99.41％和91.10％。最终，获得了17类划分中的100％训练和86.67％的验证准确率。

五、讨论

1D-CNN模型对17种心律失常（分类）的总体分类准确度达到91.33％，分类时间为0.015 s，可分析每个10-s心电图样本，与参考文献中的方法相比，提出的方法复杂度更低且优化程度高，可以在移动设备和云计算中切实可行地实施。
优点：
（1）消除了QRS检测过程，降低了计算复杂度
（2）对更长持续时间的ECG信号片段的分析可能会为某些可能具有随时间变化的ECG信号变化疾病提供更准确的分类。
缺点：
（1）只分析了少量的ECG信号片段
（2）无法对包含多个类别的ECG切片进行分类