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