【论文阅读笔记】A novel electrocardiogram arrhythmia classification method based on stacked sparse auto-enco

论文阅读：A novel electrocardiogram arrhythmia classification method based on stacked sparse auto-encoders and softmax regression

一、摘要

采用堆叠式稀疏自动编码器（SSAE）和softmax回归（SF）模型。SSAE用于从大量ECG数据中分层提取高级功能。特征是自动提取的，因此在特征选择上没有任何个体差异都会影响提取的准确性。而且，可以通过自动编码器每个级别的功能完全重建输入。然后训练SF充当分类器，以区分六种不同类型的心律不齐心跳。进行了计算实验和比较分析，以验证理论模型的有效性。

二、数据

本研究中使用的ECG心律失常数据集是从MIT-BIH心律失常数据库中获得的，该数据库是用于评估心律失常分类性能的最广泛使用的数据库。它包含来自47位受试者的48条半小时两通道动态心电图记录。每个记录都由两位或更多心脏病专家很好地注释，例如每个记录中的R峰位置；每个心跳的采样频率和心律不齐类型都存储在注释文件中。在心跳重构部分，我们使用注释文件中R峰的位置信息，并通过选择R峰左侧的89个样本和R峰右侧的160个样本将其扩展到250个样本。

三、方法

为了从时间序列ECG数据中提取特征，构建了一个堆叠的稀疏自动编码器（SSAE）深度学习网络。

自动编码器训练的每个级别都分解为两个步骤：
编码：从输入心跳x中提取特征z
解码：从提取的特征z中重建心跳y

用具有4级自动编码器的堆叠式稀疏自动编码器深度学习网络，并将每个级别的神经元分别设置为120、60、30和15，以在分类精度和计算能力之间取得更好的平衡时间。

在获得高级功能后，我们应用softmax回归（SF）模型来识别心律失常类型。softmax回归模型是在深度神经网络中广泛采用的一种监督学习算法。

四、结果

为验证算法有效性，增加了两个测试，一个是未出现在训练数据中，但是可以在训练数据中找到相似的心跳，一个是为出现在训练数据中并且在训练数据中没有相似的心跳。第一个分类结果为99.3%，一个为94.53%，从而验证了当训练数据包含患者（或与该患者具有相似波形的患者）时，SSAE可实现高精度分类。同时通过将具有不同SNR的高斯噪声添加到测试数据中，测试出算法具有较好的鲁棒性。

与其他方法比较