【论文阅读笔记】Heartbeat classification using deep residual convolutional neural network from 2-lead electr

论文阅读：Heartbeat classification using deep residual convolutional neural network from 2-lead
electrocardiogram

一、摘要

本研究提出了一种31层一维（1D）残留卷积神经网络，遵循AAMI标准划分N、S、V、F、Q五类，对于单导联心电图心跳，获得的平均准确性，敏感性和阳性预测率分别为99.06％，93.21％和96.76％。在2导数据集中，结果表明，深度ResNet模型具有较高的分类性能，准确度达到99.38％，灵敏度为94.54％，特异性为98.14％。

二、数据

采用了MIT-BIH心律失常数据库，该数据库包含来自47位受试者的48条记录，每条记录均包含半小时动态心电图信号（记为A导联和B导联）。除102、104和114记录外，其他45条记录中的第一个是II（MLII）。线索V1在第二个线索中包含最多的记录。导线的详细信息已记录在表1中。我们选择线索MLII和线索V1作为2线索数据集，共有40条记录。

三、方法

1.基于小波变换消除噪声
2.依赖数据中的标记截取299个采样点的数据作为研究心拍
3.残差体系结构

在输入层之后，有一维卷积层（内核大小，步幅和过滤器数量分别为5、2和32），BP层，ReLU层和最大池化层（池化大小）和大步分别是3和2）。如图4所示，在隐藏层中存在4个残差块，每个残差块具有相似的结构。剩余区块1结构如图3（b）所示，其他剩余区块结构参数和网络参数如表4所示。。每个残差块中第一个卷积层的卷积核大小为1×1，第二个为3×1，第三个为1×1。使用1 ∗ 1卷积核的好处是可以大大减少参数数量和计算消耗。在最后一个残差块之后，我们应用平均池化层，然后是完整的连接层。最后一层是softmax层，该层将心律不齐的心跳分为五类。

四、结果

为了评估单引线和2引线在不同深度学习模型上的性能，我们使用了仅具有MLII引线的单引线数据集和具有MLII引线和V1引线的2引线数据集。在我们的论文中，每个深度学习模型的批处理大小为100。单引线的验证结果如图5（a）所示。在第20个时期，在建议的ResNet-19，ResNet-25和ResNet-31模型中，分别正确地将验证数据集标识为99.17％，99.15％和99.18％。

ResNet-25和ResNet-31模型的2线识别性能在图5（b）的第一个时期结束时分别为98.66％和98.53％。可以看出，提出的三个ResNet模型的验证准确性在15个epoch末期开始达到平稳状态。总体而言，ResNet-31模型的验证曲线的性能优于ResNet-19模型和ResNet-25的模型。

五、讨论

一般而言，如果神经网络模型层数较多，则模型可能会出现梯度消失的问题，从而难以提高训练效果。通过更深网络结构和残余连接，所提出的深RESNET模型具有更好的测试结果比传统CNN [ 1，37 ]模型。如表8所示，当前大多数研究仅使用MIT-BIH心律失常数据库中的MLII前导数据，而某些研究未提供前导信息。在我们的研究中，单线和2线数据集被输入到ResNet-31模型中进行训练和测试，分别达到了99.06％和99.38％的准确性。
我们工作的优势如下：
•不需要特征提取过程，并且直接对经过预处理的ECG信号进行训练和分类。
•与传统的卷积神经网络相比，本文设计了更深的残差卷积神经网络模型对心电图心跳进行分类。随着网络深度的增加，该模型仍可以提高网络的精度。
•2导联ECG信号用于每个心跳，以进一步提高分类准确性。另一方面，由于Deep ResNet模型的层次更深，因此每个时期的平均训练时间更长。另外，不可避免的是2导联的训练比单导联的训练更耗时。