【论文阅读】Heartbeat classification system based on modified stacked denoising autoencoders and neural ne

论文阅读：Heartbeat classification system based on modified stacked denoising autoencoders and neural networks

一、摘要

本文介绍了一种基于改进的堆叠式去噪自动编码器和神经网络的完整心跳分类系统。该系统包括三个部分，分别是预处理，特征提取和分类。在预处理部分中，将原始ECG信号过滤并分段为每个单个心跳。在特征提取部分中，通过使用改进的堆叠降噪自动编码器从原始心跳信号中提取特征。在分类部分，选择神经网络对心跳进行分类，在16种心律失常上的准确性达到97.99％。与其他类似方法相比，该方法不仅实现了心跳分类的高精度，而且摆脱了特征设计方面的工作。

二、数据

基于MIT-BIH心律失常数据库，选择16种心跳类型来制作数据集，并将数据集按6：2：2分为训练集，验证集和测试集（使用训练集训练自动编码器，并使用验证集以防止过度拟合）。

三、方法

将自动编码器与改进降噪自动编码器结合在一起构建改进后的堆叠式降噪自动编码器。

使用神经网络对心跳类型进行分类，神经网络分为三层，第一层是具有50个节点的输入层，对应于50个维度的要素阵列。第二层是具有100个节点的隐藏层。第三层是具有16个节点并对应于16种心跳的输出层。输入层和隐藏层的激活函数是ReLU函数，输出层是softmax函数。最后，我们使用RMSprop算法作为优化器，并使用均方误差作为损失函数。

四、结果

们提出了一种使用改进的堆叠式去噪自动编码器的特征提取方法。与复杂的特征工程相比，该方法更简单，总体精度为97.99％，性能良好。在训练自动编码器时，我们将重构心跳和原始心跳之间的误差降到最低。我们从有噪声的心跳中重建心跳，并强制自动编码器提取心跳的更多特征并避免噪声的特征。

我们还将提出的方法与近年来提出的其他方法进行比较。这些方法都利用了复杂的特征工程。结果示于表IV。该研究在提高性能和简化特征提取方法之间取得了平衡。

五、讨论

在这项研究中，我们提出了一种基于改进的堆叠降噪自动编码器和神经网络的新型心跳分类系统。在提出的方法中，首先将ECG信号过滤并分割为每个单个心跳。然后，我们利用改进的堆叠式去噪自动编码器提取特征。最后，神经网络通过使用这些功能对心跳进行分类，准确性为97.99％。最后，我们讨论并与其他心跳分类方法进行比较。证明了该方法在特征提取方面的进展很小。