【论文阅读】Deep convolutional neural network for the automated diagnosis of congestive heart failure usin

论文阅读：Deep convolutional neural network for the automated diagnosis of congestive heart failure using ECG signals

一、摘要

充血性心力衰竭（CHF）是一种慢性心脏病，伴有使人衰弱的症状，导致死亡率，发病率，医疗保健支出增加和生活质量下降。心电图（ECG）是一种无创且简单的诊断方法，可证明可检测到CHF的变化。但是，由于ECG信号的幅度小和持续时间短，因此手动诊断ECG信号经常会出错，并且孤立地对CHF诊断既不敏感也不特定。自动化的计算机辅助系统可以提高CHF中ECG信号的诊断客观性和可靠性。我们在这里介绍了用于CHF诊断的11层深度卷积神经网络（CNN）模型。该拟议的CNN模型要求对ECG信号进行最少的预处理，并且不需要任何工程特征或分类。四组不同的数据（A，B，C和D）用于训练和测试所提出的CNN模型。在这四组中，组B的最高准确度为98.97％，特异性和敏感性分别为99.01％和98.87％。所提议的CNN模型可以通过提供更客观，更快速的ECG信号解释，从而付诸实践，并为心脏病专家提供诊断帮助。

二、数据

使用的数据包括BIDMC充血性心力衰竭数据库和MIT-BIH正常窦性心律（NSRDB）
这项工作总共使用了四个数据集（集合A，集合B，集合C和集合D）。A组和B组都包含完整的ECG数据（不平衡），而C组和D组则具有平衡数量的ECG数据（请参见表 2）。从集合C和D的全套中随机选择30,000个正常ECG数据。

采用的ECG记录不执行R峰值检测，截取长度为2s的样本（包含500个采样点）

三、方法

采用的模型结构如图

四、结果

在集合A中，正常心电图段的95.75％被正确分类为正常类别，而CHF信号的96.52％被正确分类为CHF类。分别只有4.25％和3.48％的ECG信号被错误地分类为CHF和正常类别。同样，在集合B中，只有极小部分的大约0.99％的正常ECG信号被错误地分类为CHF类，而1.13％的CHF ECG信号被错误地分类为正常类。

同样，5.85％的正常ECG信号在C组中被错误分类为CHF类。而且，CHF ECG信号的错误分类率约为5.32％。D组比C组获得更好的分类结果，分别将1.84％的CHF ECG信号和1.50％的正常ECG信号错误地分为正常和CHF类。