【论文阅读笔记】Classification of ECG signals based on 1D convolution neural network

论文阅读:Classification of ECG
signals based on 1D convolution neural network

一、摘要

近年来,随着心血管疾病数量的明显增加,心电图信号(ECG)的自动分类研究已在心血管疾病的临床诊断中发挥了重要的作用。本文提出了一种基于一维卷积神经网络(CNN)的心电信号分类方法。所提出的CNN模型除了输入层和输出层外还包括五个层,即两个卷积层,两个下采样层和一个完整连接层,从原始数据中提取有效特征并自动对特征进行分类。该模型实现了5种典型的心律失常信号的分类,即正常,左束支传导阻滞,右束支传导阻滞,房性早搏和室性早搏。

二、数据

使用的所有ECG信号均来自MIT-BIH标准心律不齐数据库。根据AAMI标准(102、104、107、217),这4个拍子被排除,因为它们的后期处理信号质量较差。并分别随机选择了没有重合的各13200个拍子作为训练集和测试集。

三、方法

心电图信号主要包括三种噪声,即肌电图噪声,基线漂移和电源线干扰,文章采用了小波域值方法过滤掉阈值一下的噪声,通过小波分解和重构方法完成基线漂移的矫正工作。

调整CNN模型结构,由一个输入层,两个卷积层,两个下采样层,一个完整的连接层和一个输出层组成。每个神经元的输入连接到用于提取局部特征的上一层的输出。在卷积层C1中分布有18个卷积核,长度为7个采样点,其输入是带有130个采样点的ECG信号片段。此外,它输出具有124个采样点的18个特征向量。采样层S1用于合并来自C1层的特征向量,特征向量被压缩为62个采样点。C2层还包含18个卷积核,长度为7个采样点,此外,其输出是324个特征向量和56个采样点。

【论文阅读笔记】Classification of ECG signals based on 1D convolution neural network_第1张图片

四、结果

网络模型的学习率设置为0.1,第一和第二卷积层的内核大小为7。而两个池化层的采样因子为2对于两个最大池化操作,迭代次数均为300次。最终测试结果表明准确度为97.5%。

你可能感兴趣的:(ECG,深度学习)