【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。

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％。