论文阅读: Inter- and intra- patient ECG heartbeat classification for arrhythmia detection: a sequence to sequence deep learning approach
一、摘要
尽管心律失常分类方法有了显着改进,但它们在检测不同的心脏病方面仍然不能提供令人满意的性能,尤其是在处理不平衡的数据集时。在本文中,我们提出了一种解决方案,通过开发使用深度卷积神经网络和序列到序列模型的自动心跳分类方法来解决当前分类方法的这一局限性。考虑到患者内部和患者之间的范例以及AAMI EC57标准,我们在MIT-BIH心律失常数据库上评估了该方法。两种范式的评估结果均表明,我们的方法在文献中达到了最佳性能(对于S类,阳性预测值为96.46%,灵敏度为100%,对于S类,阳性预测值为98.68%,灵敏度为97.40%。住院计划为F类; S类计划的阳性预测值为92.57%,敏感性为88.94%,病历间计划的阳性预测值为V为99.50%,敏感性为99.94%。 )
二、数据集
来自MIT-BIH数据库的心跳(基于AAMI的44条记录)被分为两组记录:DS1 = 101、101、106、108、109、112、114、115、116、118、119 ,122,{ 124、201、203、205、207、208、209、215、220、223,230和DS2 = {100、103、105、111、113、117、121、123、200,}202、210、212、213、214、219、221、222、228、231、232、233、234}。DS1用于构建分类模型,DS2用于测试模型。使用这种划分方法,无需担心在训练和测试集中都包含来自同一患者的心跳。
三、方法
在这项研究中,我们利用RNN序列和卷积神经网络(CNN)进行序列模型执行心跳检测任务。
CNN由三个连续的一维卷积层组成。第一层由32个1-D卷积滤波器组成,内核大小为2 × 1,步幅为1,其后为整流线性单元(ReLU)非线性。第二层由64个1-D卷积滤波器组成,内核大小为2×1,步幅为1,再加上ReLU。最后,第三层由128个1-D卷积滤波器组成,内核大小为2×1,步幅为1,随后是整流器非线性。除最后一层外,每个卷积层都紧随其后的是步幅为1的大小为2×1的合并区域的最大合并层。在训练/测试模型的每个时间步,序列(大小为心电图节拍的maxtime)被馈送到CNN中以进行特征提取。最后卷积层输出MAXTIME的˚F特征映射大小的K× 1(例如,在这里,我们达到了128特征映射3 × 1)。
我们在网络体系结构中使用了双向递归神经网络(BiRNN)单元,而不是标准的LSTM(即RNN)。
四、结果
患者内
患者间
五、讨论
所提出的方法本质上是通用的,并且有望在处理类不平衡问题的几种生物医学应用中实现有希望的性能。在建议的分类结构中,首先,CNN提取给定ECG心跳的一组有意义的特征(注意,该模型是通过将SMOTE算法生成的合成数据添加到可用样本中来训练的,以补偿诸如F等小类别的数量)。然后,编码器将特征映射到新的特征表示,捕获时间模式,最后,考虑输入之间的复杂上下文相关性,解码器采用特征表示并产生输出(即输入序列每个心跳的标签)和目标。