【论文阅读笔记】Proposing feature engineering method based on deep learning and K-NNs for ECG beat classific

论文阅读：Proposing feature engineering method based on deep learning and K-NNs
for ECG beat classification and arrhythmia detection

一、摘要

文章提出了一种基于深度学习和K-NN的特征工程方法，对心律失常进行心电图搏动分类（考虑了四个搏动类别），使用五重交叉验证策略实现了99.77％的平均准确度，99.99％的AUC，99.75％的精确度和99.30％的查全率。与从头训练深度学习模型相比，该方法的主要优点是计算时间短，与传统的机器学习模型相比，其准确性较高。灵敏度和特异性之间的高度平衡表明了所提方法的强度和适用性。

二、数据

考虑了不同搏动类别的MITBIH心律失常数据库的101,410次搏动。数据包括90592正常搏动（N），2781房性早搏（S），7235室性早搏（V）和802心室与正常融合（F）
为了使用预训练的CNN进行特征提取，绘制了拍子及其一阶导数信号的图表，并用灰色填充了拍子信号及其一阶导数之间的区域。该图的图像以PNG格式保存。每个图像的大小被调整为224像素乘224像素。

三、方法

1.对比度受限的自适应直方图均衡化（CLAHE）是一种适用于具有极局部灰度分布的图像的直方图均衡化方法[ 24 ]。由于从心跳中提取的图像具有此属性，因此我们使用CLAHE方法增强图像质量并锐化边缘。
2.在本文中，预训练的ResNet50 [ 30 ]和VGGNet16 [ 20 ]用于特征提取。在这项研究中，由节拍生成的图像被作为输入数据输入到经过预训练的CNN中。通过名为FS-CNN的预训练CNN从拍子图像中提取特征。
与从头开始对CNN进行端到端训练相比，使用预训练的CNN作为特征提取器可以减少训练时间。预先训练的CNN可以用于从小型数据集中提取特征，而这些数据集不能用于端到端训练CNN。为此，将忽略CNN的最后一层，它将输入数据分类为类，并且使用中间层的输出并将其视为从输入数据集中提取的特征。
3.将KNN用于特征工程，由于利用预训练的CNN提取了大量的特征，因此采用FS-KNN对特征进行过滤，删除具有线性系数且类别标签小于0.55的特征。
4.在本文中，我们研究了分类器决策树和支持向量机具有不同内核和整体分类器随机森林的性能。

四、结果

比较心律失常检测不同特征集的性能

比较适用于（FS-CNN和FS-KNN）和（FS-CNN，FS-KNN和FS-HC）的分类器

通过 在FS-CNN，FS-KNN和FS-HC的组合上使用线性核训练SVM可获得最佳性能。比较的分类器是决策树，随机森林和具有线性核的SVM。结果表明，在提取的特征中添加FS-HC不会显着改善心律失常检测的性能。从CNN中提取的特征和由K-NN设计的特征在预测节律性心律失常方面具有高性能。

提出的心律失常检测的决策支持系统的主要框架，称为AD-DLFEHF。

五、讨论

1.尚无用于ECG信号的预训练CNN。因此，我们需要使用在大图像数据集上经过预训练的CNN，以从差拍信号中提取特征。但是，它们的输入数据应为图像格式。因此，拍子信号将转换为图像格式，并且将预训练的CNN应用于生成的图像以进行特征提取。使用预先训练的CNN提取的特征通过先前研究中用于节拍分类的手工艺品特征得以增强。此外，提出了一种基于K-NN的特征工程方法，该方法从CNN特征中提取元特征。这些功能由流行的分类器分类，例如决策树，具有不同内核的SVM和整体随机森林。为了研究我们提出的方法，使用了MITBIH心律失常数据库。
2.结果表明，将人工特征添加到CNN和K-NN提取的特征不会显着改善模型的性能。因此，不需要从拍子信号中提取手工制作的特征。
3.提出了在CNN中进行微调以改善拍子分类的方法。另一个未来的研究方向是应用其他功能，例如拍子信号的高阶导数，将它们转换为图像格式，然后使用预训练的CNN从生成的图像中提取特征，以进行拍子分类。