CMMMgydF4y2Ba 计算和数学方法在医学gydF4y2Ba 1748 - 6718gydF4y2Ba 1748 - 670 xgydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/3215681gydF4y2Ba 3215681gydF4y2Ba 研究文章gydF4y2Ba 小波散射变换心电图分类gydF4y2Ba 刘gydF4y2Ba ZhishuaigydF4y2Ba 1gydF4y2Ba 姚gydF4y2Ba 这双gydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0002 - 6996 - 353 xgydF4y2Ba 张gydF4y2Ba 清gydF4y2Ba 2gydF4y2Ba 张gydF4y2Ba JunpugydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0001 - 6346 - 365 xgydF4y2Ba 曾gydF4y2Ba XueyinggydF4y2Ba 1gydF4y2Ba 陆gydF4y2Ba 林gydF4y2Ba 1gydF4y2Ba 数学科学学院gydF4y2Ba 中国海洋大学gydF4y2Ba 针对松路238号gydF4y2Ba 青岛gydF4y2Ba 266100年山东gydF4y2Ba 中国gydF4y2Ba ouc.edu.cngydF4y2Ba 2gydF4y2Ba 心内科gydF4y2Ba 齐鲁医院(青岛)gydF4y2Ba Cheeloo医学院gydF4y2Ba 山东大学gydF4y2Ba 合肥路758号gydF4y2Ba 青岛gydF4y2Ba 266035年山东gydF4y2Ba 中国gydF4y2Ba sdu.edu.cngydF4y2Ba 2020年gydF4y2Ba 9gydF4y2Ba 10gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 6gydF4y2Ba 6gydF4y2Ba 2020年gydF4y2Ba 9gydF4y2Ba 8gydF4y2Ba 2020年gydF4y2Ba 20.gydF4y2Ba 9gydF4y2Ba 2020年gydF4y2Ba 9gydF4y2Ba 10gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020 Zhishuai刘et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

心电图(ECG)记录心脏的电活动;它含有丰富的心血管疾病的病理信息,如心律失常。然而,很难直观地分析心电图信号由于其复杂性和非线性。可以产生平移不变小波散射变换使检测到的心电信号和deformation-stable表示通过级联的小波运算与非线性模量和平均运营商。我们提出了一个新颖的方法使用小波散射变换自动分类的四类心律失常心电图心跳,即nonectopic (N),室上异位(S),室性异位(V),融合(F)节拍。在这项研究中,小波散射变换提取8从每个ECG心跳时间窗口。两个降维方法、主成分分析(PCA)和时间窗口选择,被应用于8时间窗口。这些加工特性被喂以神经网络(NN),概率神经网络(并)gydF4y2Ba kgydF4y2Ba 最近的邻居(资讯)分类器分类。第四次窗口结合资讯(gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 4gydF4y2Ba )与平均精度达到最优性能,阳性预测值,敏感性,特异性为99.3%,99.6%,99.5%,和98.8%,分别使用10倍交叉验证。因此,我们提出的模型能够高度准确的心律失常心电图分类和将为医生提供帮助解释。gydF4y2Ba

 青岛民生科技项目gydF4y2Ba 18 - 6 - 1 - 62 - nshgydF4y2Ba 青岛关键卫生学科发展基金gydF4y2Ba 山东的主要研究和开发项目gydF4y2Ba 2015年gsf118026gydF4y2Ba 中央大学基础研究基金gydF4y2Ba 201964006gydF4y2Ba 中国国家自然科学基金gydF4y2Ba 81671703gydF4y2Ba 11771408gydF4y2Ba 11701538gydF4y2Ba 11871444gydF4y2Ba 1。介绍gydF4y2Ba

心血管疾病(心血管病)是全球死亡的主要原因。2016年估计有1790万人死于心血管病,占全球死亡的31% (gydF4y2Ba 1gydF4y2Ba]。导致心血管病的因素很多,包括吸烟和烟草使用、缺乏运动、饮食习惯差,超重和肥胖等。gydF4y2Ba 2gydF4y2Ba]。广泛的心血管病组的并发症之一是心律失常,这表示心脏的电功能紊乱。gydF4y2Ba

心律失常是指异常率或心跳的节奏。在心律失常,心脏可以击败过快,过慢,或有不规则的节奏gydF4y2Ba 3gydF4y2Ba]。心电图(ECG)监测心脏的电活动,和心律失常可通过任何形态的变化模式发现心电图波形记录。心律失常有很多类别,每个包含不同的病理信息。图gydF4y2Ba 1gydF4y2Ba显示了不同心律失常的心电图信号的模式类别。至关重要的是准确的ECG信号为这些类别进行分类。心脏病专家,依靠大量的专业知识和经验在他们的领域,他们视觉观察心电图波形和获得诊断结果。然而,这种视觉评估可能导致主观解释由于噪声的存在和分钟形态学参数值在ECG信号(gydF4y2Ba 4gydF4y2Ba]。此外,它也是耗时和累人的心脏病专家解释心电图信号,这可能会延误最佳治疗机会。gydF4y2Ba

为不同的心律失常心电图信号类别。gydF4y2Ba

为了解决这些弊端,各种计算机辅助诊断(CAD)系统最近已经开发出来。CAD系统可以作为辅助工具,医生的解释心电图信号提高诊断速度和准确性。它扮演着一个重要的角色在心血管病的管理(gydF4y2Ba 5gydF4y2Ba]。表gydF4y2Ba 1gydF4y2Ba总结了一些选择先进的CAD系统的研究。其中大部分集中在传统的机器学习方法。特征提取和分类这些方法是必不可少的步骤。特征提取,包括参数和视觉模式特性(gydF4y2Ba 6gydF4y2Ba- - - - - -gydF4y2Ba 8gydF4y2Ba),从心电图信号分类的分类器设计直接影响心律失常的性能检测。虽然这些研究都取得了极大的分类性能,他们可能有两个主要缺点:首先,他们需要一个设计良好的特征提取器和特性需要手动优化前喂到分类器;其次,他们通常遭受过度拟合。此外,这些方法提供了混淆矩阵的一些推荐的ANSI / AAMI EC57:1998标准(gydF4y2Ba 9gydF4y2Ba]。因此,很难比较不同心律失常的分类性能详细分类。gydF4y2Ba

选择自动心电图分类方法MIT-BIH心律失常数据库。gydF4y2Ba

作者gydF4y2Ba 一年gydF4y2Ba 方法gydF4y2Ba 类gydF4y2Ba 性能gydF4y2Ba
传统的机器学习方法gydF4y2Ba
阿齐兹·伊南et al。(gydF4y2Ba 35gydF4y2Ba]gydF4y2Ba 2006年gydF4y2Ba 特征提取:分类器gydF4y2Ba WT和时间间隔gydF4y2Ba神经网络gydF4y2Ba 3gydF4y2Ba ACC: 95.16%gydF4y2Ba
Sayadi et al。gydF4y2Ba 36gydF4y2Ba]gydF4y2Ba 2010年gydF4y2Ba 特征提取:分类器gydF4y2Ba 创新的卡尔曼滤波器序列gydF4y2Ba贝叶斯过滤gydF4y2Ba 2gydF4y2Ba ACC: 99.10%gydF4y2Ba
森:98.77%gydF4y2Ba
规格:97.47%gydF4y2Ba
Martis et al。gydF4y2Ba 32gydF4y2Ba]gydF4y2Ba 2012年gydF4y2Ba 特征提取:分类器gydF4y2Ba 主成分分析gydF4y2Ba支持向量机与RBF核gydF4y2Ba 5gydF4y2Ba ACC: 98.11%gydF4y2Ba
森:99.90%gydF4y2Ba
规格:99.10%gydF4y2Ba
普拉萨德et al。gydF4y2Ba 37gydF4y2Ba]gydF4y2Ba 2013年gydF4y2Ba 特征提取:分类器gydF4y2Ba 居屋计划+ ICAgydF4y2Ba然而,gydF4y2Ba 3gydF4y2Ba ACC: 97.65%gydF4y2Ba
森:98.75%gydF4y2Ba
规格:99.53%gydF4y2Ba
Martis et al。gydF4y2Ba 38gydF4y2Ba]gydF4y2Ba 2013年gydF4y2Ba 特征提取:分类器gydF4y2Ba 累积量+ ICAgydF4y2Ba然而,gydF4y2Ba 3gydF4y2Ba ACC: 99.5%gydF4y2Ba
森:100%gydF4y2Ba
规格:99.22%gydF4y2Ba
Martis et al。gydF4y2Ba 7gydF4y2Ba]gydF4y2Ba 2013年gydF4y2Ba 特征提取:分类器gydF4y2Ba 居屋计划+主成分分析gydF4y2Ba回归模型gydF4y2Ba 3gydF4y2Ba ACC: 93.48%gydF4y2Ba
森:99.27%gydF4y2Ba
规格:98.31%gydF4y2Ba
Martis et al。gydF4y2Ba 39gydF4y2Ba]gydF4y2Ba 2013年gydF4y2Ba 特征提取:分类器gydF4y2Ba 累积量+主成分分析gydF4y2Ba回归模型gydF4y2Ba 5gydF4y2Ba ACC: 94.52%gydF4y2Ba
森:98.61%gydF4y2Ba
规格:98.41%gydF4y2Ba
Martis et al。gydF4y2Ba 32gydF4y2Ba]gydF4y2Ba 2012年gydF4y2Ba 特征提取:分类器gydF4y2Ba DCT +主成分分析gydF4y2Ba支持向量机与RBF核gydF4y2Ba 5gydF4y2Ba ACC: 99.52%gydF4y2Ba
森:98.69%gydF4y2Ba
规格:99.91%gydF4y2Ba
Martis et al。gydF4y2Ba 40gydF4y2Ba]gydF4y2Ba 2014年gydF4y2Ba 特征提取:分类器gydF4y2Ba ICA + DCTgydF4y2Ba然而,gydF4y2Ba 3gydF4y2Ba ACC: 99.45%gydF4y2Ba
森:99.61%gydF4y2Ba
规格:100%gydF4y2Ba
岩石和Pehlivan [gydF4y2Ba 41gydF4y2Ba]gydF4y2Ba 2015年gydF4y2Ba 特征提取:分类器gydF4y2Ba 遗传算法gydF4y2Ba然而,gydF4y2Ba 5gydF4y2Ba ACC: 99.69%gydF4y2Ba
森:99.46%gydF4y2Ba
规格:99.91%gydF4y2Ba
岩石和Pehlivan [gydF4y2Ba 8gydF4y2Ba]gydF4y2Ba 2015年gydF4y2Ba 特征提取:分类器gydF4y2Ba 时间序列+主成分分析gydF4y2Ba然而,gydF4y2Ba 5gydF4y2Ba ACC: 99.63%gydF4y2Ba
森:99.29%gydF4y2Ba
规格:99.89%gydF4y2Ba
李,周gydF4y2Ba 33gydF4y2Ba]gydF4y2Ba 2016年gydF4y2Ba 特征提取:分类器gydF4y2Ba 热电制冷+ RRgydF4y2Ba射频gydF4y2Ba 5gydF4y2Ba ACC: 94.61%gydF4y2Ba
Mondjar-Guerra et al。gydF4y2Ba 42gydF4y2Ba]gydF4y2Ba 2018年gydF4y2Ba 特征提取:分类器gydF4y2Ba 小波+枸杞多糖+居屋计划+几个振幅值gydF4y2Ba射频gydF4y2Ba 5gydF4y2Ba ACC: 94.5%gydF4y2Ba
森:66.4%gydF4y2Ba
规格:70.3%gydF4y2Ba
杨和魏gydF4y2Ba 6gydF4y2Ba]gydF4y2Ba 2020年gydF4y2Ba 特征提取:分类器gydF4y2Ba 结合参数和心电图形态的视觉模式特征gydF4y2Ba然而,gydF4y2Ba 5gydF4y2Ba ACC: 97.70%gydF4y2Ba
这项工作gydF4y2Ba 2020年gydF4y2Ba 特征提取:分类器gydF4y2Ba 传感器网络+第四时间窗口gydF4y2Ba并通过gydF4y2Ba 4gydF4y2Ba ACC: 99.3%gydF4y2Ba
森:99.5%gydF4y2Ba
规格:98.8%gydF4y2Ba
深度学习的方法gydF4y2Ba
Martis et al。gydF4y2Ba 40gydF4y2Ba]gydF4y2Ba 2014年gydF4y2Ba 9-layer深卷积神经网络gydF4y2Ba 5gydF4y2Ba ACC: 93.47%gydF4y2Ba
森:96.01%gydF4y2Ba
规格:91.64%gydF4y2Ba

ACC:精度;森:敏感性;规范:特异性;WT:小波变换;卡尔曼滤波器:扩展卡尔曼滤波器;DCT:离散余弦变换;DWT:离散小波变换;居屋计划:高阶统计;集成电路:独立分量;独立分量分析ICA:; RR: RR intervals; WPE: wavelet packet entropy; LBP: local binary patterns; RF: random forest; LS-SVM: least square-support vector machine.

自2016年以来,基于深度学习的方法等方法提出了卷积神经网络(CNN)来识别异常心电图心跳包括心律失常。这两个特征提取和分类模型中嵌入在一起。这些方法能够提取self-learn特性(gydF4y2Ba 10gydF4y2Ba]。然而,他们可能有三个主要的缺点:缺乏强有力的理论支持,需要大量的训练数据来实现良好的性能,计算成本和消耗巨大的训练模式。由于这些缺点,有大量的数值实验经验开展hyperparameter优化以及建立最佳的架构,和特征提取可能解释的实际应用。此外,这些方法的性能仍有待改善。gydF4y2Ba

小波变换是一种有效的工具来分析非平稳的ECG信号由于其时频局部化特性gydF4y2Ba 11gydF4y2Ba- - - - - -gydF4y2Ba 13gydF4y2Ba]。然而,它不是不变的翻译。最近,Mallat提出一种新的信号处理方法,小波变换小波散射变换,通过级联非线性模量和平均运营商(gydF4y2Ba 14gydF4y2Ba]。小波散射变换可以提供时间和频率分辨率,这是不变的翻译、变形稳定,保存高频信息分类(gydF4y2Ba 15gydF4y2Ba]。此外,Mallat特征三个属性,深度学习架构拥有从数据中提取有用的特性(gydF4y2Ba 16gydF4y2Ba:多尺度收缩,分级对称的线性化,稀疏表示。小波散射变换也具有这些属性,因此,既有传统的优势和深度学习方法。它取得了最先进的表演艺术的任务验证、音乐类型分类、音频识别和手写分类(gydF4y2Ba 17gydF4y2Ba- - - - - -gydF4y2Ba 20.gydF4y2Ba]。gydF4y2Ba

出于小波散射变换的优秀的财产,我们的目标是探索小波散射变换的性能从心电信号中提取特征进行自动分类的心律失常。具体来说,我们从MIT-BIH心律失常数据库获得数据和心律失常分类分为四类;更多的细节部分所示gydF4y2Ba 2gydF4y2Ba。然后,我们使用小波散射变换结合一些降维方法提取特征。几个现有的分类器,gydF4y2Ba kgydF4y2Ba 最近的邻居(资讯),神经网络(NN)和概率神经网络(并),用于检验小波散射变换的表演在心律失常识别。最后,我们的结果与一些现有的方法列在表中gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

本文的组织结构如下:部分gydF4y2Ba 2gydF4y2Ba介绍了数据库和数据预处理方法。部分gydF4y2Ba 3gydF4y2Ba介绍了小波散射变换以及其属性和介绍了本研究中使用的分类器。部分gydF4y2Ba 4gydF4y2Ba显示了详细的体系结构和数值实验结果,讨论了部分gydF4y2Ba 5gydF4y2Ba。我们在部分总结本文gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

 2。材料gydF4y2Ba

在本节中,我们将简要介绍数据库用于心电图分类和描述我们的数据预处理和增强方法。gydF4y2Ba

2.1。MIT-BIH数据库gydF4y2Ba

我们使用了MIT-BIH心律失常数据库(gydF4y2Ba 21gydF4y2Ba训练和测试方法。这个数据库是广泛用于心电图分类和公开。MIT-BIH数据库包含48小时摘录的双通道动态心电图记录,获得来自47个课题研究了波黑心律失常实验室在1975年和1979年之间(gydF4y2Ba 22gydF4y2Ba]。录音是数字化以每秒360样本/频道数分辨率10 mV范围。这些记录第一次带注释的至少两个独立心脏病专家。所有注释达成协议,同意后注释标记在一个计算机可读的格式。注释对于每一个打在心电图包括R-peak的位置和心律失常它属于的类型。数据库包括15个类型的心律失常,如室性过早,心房过早,心房扑动。图gydF4y2Ba 2gydF4y2Ba显示了创纪录的100的一个片段。如图gydF4y2Ba 2gydF4y2Ba每条记录包含两个领导,说,两个渠道的ECG信号。gydF4y2Ba

创纪录的100的片段。gydF4y2Ba

 2.2。数据预处理gydF4y2Ba

根据ANSI / AAMI EC57:1998标准(gydF4y2Ba 9gydF4y2Ba),15个类型的心律失常节拍可以分为五类,包括nonectopic (N)节拍,室上异位(S)节拍,心室异位(V)节拍,融合(F)节拍,和未知的(Q)节拍。表gydF4y2Ba 2gydF4y2Ba显示了这些类别的细分。gydF4y2Ba

MIT-BIH心律失常数据库分类按照ANSI / AAMI EC57:1998标准(gydF4y2Ba 9gydF4y2Ba]。gydF4y2Ba

NgydF4y2Ba 年代gydF4y2Ba VgydF4y2Ba FgydF4y2Ba 问gydF4y2Ba
正常的gydF4y2Ba 心房过早gydF4y2Ba 过早心室收缩gydF4y2Ba 融合心室和正常gydF4y2Ba 节奏gydF4y2Ba
左束支gydF4y2Ba 异常的心房gydF4y2Ba 融合的节奏和正常gydF4y2Ba
右束支阻滞gydF4y2Ba 节点(交界)为时过早gydF4y2Ba 心室逃脱gydF4y2Ba 不可归类的gydF4y2Ba
心房逃脱gydF4y2Ba 室上过早gydF4y2Ba
节点(交界)逃脱gydF4y2Ba

符合ANSI / AAMI EC57:1998推荐的做法(gydF4y2Ba 9gydF4y2Ba),我们排除了4记录从心脏起搏器的患者,因为记录包含节奏节拍不保留足够的信号质量。剩下的记录,只有修订过第二信号。然后,我们发现在每个记录R-peak段心跳。R-peak检测算法并不是我们研究的重点,提出了许多优秀的算法在文献[gydF4y2Ba 11gydF4y2Ba,gydF4y2Ba 23gydF4y2Ba]。此外,我们直接用原始数据和没有应用去噪技术。更多的细节可以在[gydF4y2Ba 9gydF4y2Ba]。gydF4y2Ba

共有100507名心跳从44分段记录。每个打长250样品,围绕R-peak,包含99个样本之前R-peak R-peak后和150个样本。然后,他们被分为五类根据他们的注释。表gydF4y2Ba 3gydF4y2Ba显示了每个类别的心跳。类似于(gydF4y2Ba 6gydF4y2Ba,gydF4y2Ba 24gydF4y2Ba,gydF4y2Ba 25gydF4y2Ba),类问丢弃,因为它是略(0.012%)在数据库中表示。图gydF4y2Ba 1gydF4y2Ba显示了一些片段在四类。gydF4y2Ba

五心律失常的故障类别。gydF4y2Ba

类gydF4y2Ba 心电图的心跳gydF4y2Ba
NgydF4y2Ba 90023年gydF4y2Ba
年代gydF4y2Ba 2758年gydF4y2Ba
VgydF4y2Ba 6914年gydF4y2Ba
FgydF4y2Ba 800年gydF4y2Ba
问gydF4y2Ba 12gydF4y2Ba
总gydF4y2Ba 100507年gydF4y2Ba
2.3。数据增加gydF4y2Ba

心跳的数量之间存在着巨大的不平衡类N, S, V,和F,这将导致劣质分类性能(gydF4y2Ba 10gydF4y2Ba,gydF4y2Ba 26gydF4y2Ba]。在[数据扩增方法后gydF4y2Ba 26gydF4y2Ba),我们增广数据通过添加与零均值高斯白噪声方差和0.05。具体来说,作为类N有足够的心跳,我们随机选择了90000名心跳,没有添加噪声。胜在剩余的类的数目分别增加到90000来匹配,在课堂上n .因此,增强数据库包括360000心跳。gydF4y2Ba

 3所示。方法gydF4y2Ba

在本节中,我们将介绍我们的心电图分类的方法。节gydF4y2Ba 3.1gydF4y2Ba,我们描述小波散射变换用于学习心电图信号的特征表示。然后,我们介绍了使用分类器部分gydF4y2Ba 3.2gydF4y2Ba。gydF4y2Ba

3.1。小波散射变换gydF4y2Ba

小波散射变换构建翻译不变,稳定,和信息信号表示。是稳定的变形和蜜饯类辨别力,这使得它特别有效的分类。我们指的是(gydF4y2Ba 17gydF4y2Ba- - - - - -gydF4y2Ba 20.gydF4y2Ba)因其卓越的实用分类的性能。gydF4y2Ba

我们将遵循的符号gydF4y2Ba 19gydF4y2Ba]。让gydF4y2Ba fgydF4y2Ba tgydF4y2Ba 下的信号分析。的低通滤波器gydF4y2Ba ϕgydF4y2Ba 和小波函数gydF4y2Ba ψgydF4y2Ba 旨在建立过滤器覆盖整个信号中包含的频率。让gydF4y2Ba ϕgydF4y2Ba JgydF4y2Ba tgydF4y2Ba 的低通滤波器,提供本地翻译不变的描述gydF4y2Ba fgydF4y2Ba 在一个预定义的规模gydF4y2Ba TgydF4y2Ba 。我们表示gydF4y2Ba ΛgydF4y2Ba kgydF4y2Ba 小波指数的家庭拥有一个八度音阶频率分辨率gydF4y2Ba 问gydF4y2Ba kgydF4y2Ba 。多尺度高通滤波器银行gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba kgydF4y2Ba jgydF4y2Ba kgydF4y2Ba ∈gydF4y2Ba ΛgydF4y2Ba kgydF4y2Ba 可以通过扩张构造小波gydF4y2Ba ψgydF4y2Ba 。gydF4y2Ba

小波散射变换是用深卷积网络,遍历实现传统的小波变换,非线性模量,平均操作符。卷积gydF4y2Ba 年代gydF4y2Ba 0gydF4y2Ba fgydF4y2Ba tgydF4y2Ba =gydF4y2Ba fgydF4y2Ba ⋆gydF4y2Ba ϕgydF4y2Ba JgydF4y2Ba tgydF4y2Ba 生成一个本地翻译不变的特性gydF4y2Ba fgydF4y2Ba ,但也导致高频信息的丢失。这些可以恢复丢失的高频小波系数变换gydF4y2Ba (1)gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba fgydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba 0gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba fgydF4y2Ba ⋆gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba ∈gydF4y2Ba ΛgydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

一阶散射系数是通过小波模量系数的平均值gydF4y2Ba ϕgydF4y2Ba JgydF4y2Ba :gydF4y2Ba (2)gydF4y2Ba 年代gydF4y2Ba 1gydF4y2Ba fgydF4y2Ba tgydF4y2Ba =gydF4y2Ba fgydF4y2Ba ⋆gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba ⋆gydF4y2Ba ϕgydF4y2Ba JgydF4y2Ba tgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba ∈gydF4y2Ba ΛgydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

平均恢复丢失的信息,指出gydF4y2Ba 年代gydF4y2Ba 1gydF4y2Ba fgydF4y2Ba tgydF4y2Ba 可以被视为的低频分量gydF4y2Ba fgydF4y2Ba ⋆gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba ,我们可以提取互补的高频系数gydF4y2Ba (3)gydF4y2Ba WgydF4y2Ba 2gydF4y2Ba fgydF4y2Ba ⋆gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba 1gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba fgydF4y2Ba ⋆gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba ⋆gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba ∈gydF4y2Ba ΛgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

进一步定义了二阶散射系数gydF4y2Ba (4)gydF4y2Ba 年代gydF4y2Ba 2gydF4y2Ba fgydF4y2Ba tgydF4y2Ba =gydF4y2Ba fgydF4y2Ba ⋆gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba ⋆gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba ⋆gydF4y2Ba ϕgydF4y2Ba JgydF4y2Ba tgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba ΛgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

重复上面的过程定义小波模量曲线玲珑gydF4y2Ba (5)gydF4y2Ba UgydF4y2Ba 米gydF4y2Ba fgydF4y2Ba tgydF4y2Ba =gydF4y2Ba ∣gydF4y2Ba fgydF4y2Ba ⋆gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba ∣gydF4y2Ba ⋆gydF4y2Ba ⋯gydF4y2Ba ⋆gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba 米gydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba ΛgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

平均gydF4y2Ba UgydF4y2Ba 米gydF4y2Ba fgydF4y2Ba tgydF4y2Ba 与gydF4y2Ba ϕgydF4y2Ba JgydF4y2Ba 给出了gydF4y2Ba 米gydF4y2Ba 阶散射系数gydF4y2Ba (6)gydF4y2Ba 年代gydF4y2Ba 米gydF4y2Ba fgydF4y2Ba tgydF4y2Ba =gydF4y2Ba ∣gydF4y2Ba fgydF4y2Ba ⋆gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba ∣gydF4y2Ba ⋆gydF4y2Ba ⋯gydF4y2Ba ⋆gydF4y2Ba ψgydF4y2Ba jgydF4y2Ba 米gydF4y2Ba ⋆gydF4y2Ba ϕgydF4y2Ba JgydF4y2Ba tgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba ΛgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

这种散射过程如图gydF4y2Ba 3gydF4y2Ba。最后的散射矩阵gydF4y2Ba (7)gydF4y2Ba 年代gydF4y2Ba fgydF4y2Ba tgydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba 米gydF4y2Ba fgydF4y2Ba tgydF4y2Ba 0gydF4y2Ba ≤gydF4y2Ba 米gydF4y2Ba ≤gydF4y2Ba lgydF4y2Ba ,gydF4y2Ba 聚集所有订单的散射系数来描述输入信号的特点,在哪里gydF4y2Ba lgydF4y2Ba 是最大分解顺序。gydF4y2Ba

小波散射的树视图的网络。gydF4y2Ba

网络翻译的不变性规模不变,可可能很大,由于平均操作由低通滤波器gydF4y2Ba ϕgydF4y2Ba JgydF4y2Ba 。财产继承了小波变换,特性gydF4y2Ba 年代gydF4y2Ba fgydF4y2Ba tgydF4y2Ba 是稳定的局部变形。散射分解可以捕捉细微变化幅度和持续时间的心电图信号,难以衡量,但反映心脏的情况。因此,我们利用小波散射网络产生的强劲表示在一个心律失常心电图心跳,减少差异类别不同类别之间的同时保持足够的辨别力。gydF4y2Ba

虽然小波散射的结构类似于CNN网络,他们有两个主要区别:过滤器不是学习而是提前设置和功能不仅是最后的输出卷积层也是所有这些层的组合。它已经表明,散射系数迅速降低的能量随着层水平的增加,几乎99%的能量中包含的第一个两层(gydF4y2Ba 18gydF4y2Ba,gydF4y2Ba 19gydF4y2Ba]。因此,我们使用一个二阶散射网络提取心电信号的特征。这也大大降低了计算复杂度。gydF4y2Ba

 3.2。分类器gydF4y2Ba

我们接下来简要介绍分类器结合使用特性来预测ECG信号的类成员。我们选择分类器根据两个标准。首先,必须广泛应用于现有的文献分类器,如神经网络、资讯,并通过和支持向量机(SVM)。第二,它必须能够有效地处理高维度和大尺寸的训练数据。NN,资讯,并通过满足这两个要求,而支持向量机计算效率较低。因此,我们使用神经网络分类的资讯,并通过这项工作。gydF4y2Ba

3.2.1之上。神经网络gydF4y2Ba

前馈神经网络是最广泛使用的人工神经网络的分类(gydF4y2Ba 27gydF4y2Ba,gydF4y2Ba 28gydF4y2Ba]。我们设置架构如下。有75个神经元在输入层,对应75维的特征向量提取小波散射变换。六个隐藏层包含70年,60岁,45岁,30岁,20日和10个神经元,分别和前五个隐藏层ReLU被激活的功能:gydF4y2Ba fgydF4y2Ba xgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 。输出层神经元有4个,每一个都代表了将Softmax心律失常类别和激活功能:gydF4y2Ba (8)gydF4y2Ba ggydF4y2Ba zgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba zgydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 4gydF4y2Ba 经验值gydF4y2Ba zgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba 4gydF4y2Ba 。gydF4y2Ba

我们使用了叉成本函数(gydF4y2Ba 10gydF4y2Ba),采用误差反向传播算法来解决权重。亚当算法(gydF4y2Ba 29日gydF4y2Ba)是用于自适应更新学习速率。我们设置迭代次数为50足够培训网络。gydF4y2Ba

上述体系结构建立了通过试验和错误。我们已经尝试几个不同的隐藏层个数的组合,不同的激活函数,不同数量的神经元在每一层,在minibatch不同数量的样本大小,和不同时期的参数更新,等。考虑到综合分类精度和计算成本,我们现在的网络达到最佳性能比其他测试架构。神经网络训练后,所有的测试数据都输入网络测量其分类性能。gydF4y2Ba

 3.2.2。概率神经网络gydF4y2Ba

并通过(gydF4y2Ba 30.gydF4y2Ba)是广泛应用于分类和模式识别问题。并通过算法的类一个新的输入数据的概率估计和贝叶斯规则然后用来分配类的后验概率最高的新的输入数据。对所测试的操作在一个被组织成一个前馈网络四层:输入层、图案层,求和层和输出层。输入层神经元有相同数量的特征向量的维数。每个神经元代表一个预测变量的值传到每个模式层神经元。每个样本的模式层包含一个神经元在训练数据。每个隐藏神经元计算测试样本的欧几里得距离神经元的中心点。求和层具有相同数量的神经元的输入数据的类别。重量的一个隐藏的神经元是美联储唯一的模式神经元对应的隐藏神经元的类别。输出层比较了加权投票为每个目标类别累积求和层,并使用最大的投票预测目标类别。 PNN is more accurate than the multilayer neural network. It can approach the Bayesian optimal classification as long as the training data is enough. In this study, four layers in the trained PNN contain 75, 324000, 4, and 1 neurons, respectively.

 3.2.3。<斜体> k < /斜体>最近的邻居gydF4y2Ba

然而,是一种非参数方法广泛用于分类。输入包括gydF4y2Ba kgydF4y2Ba 最近的训练样本在特征空间中。一个未标记的数据是通过指定标签分类中最频繁gydF4y2Ba kgydF4y2Ba 查询数据的最近的训练样本。常用的距离度量的资讯是欧几里得距离。的选择gydF4y2Ba kgydF4y2Ba 值,我们使用蛮力方法。具体地说,gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba 5gydF4y2Ba 经过测试,gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 4gydF4y2Ba 分类是最适当的值。因此,我们只有现在的结果gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 4gydF4y2Ba 节gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

 4所示。实验结果gydF4y2Ba

在本节中,我们将讨论散射变换的特征提取和分类过程。具体来说,两种方法将基于降维的模式特性。gydF4y2Ba

小波散射变换,并通过,然而,分类器是由MATLAB实现2018 b。我们使用Python 3.7实现神经网络分类器。gydF4y2Ba

4.1。特征提取gydF4y2Ba

我们使用了伽柏小波进行小波分解。相应的低通滤波器gydF4y2Ba ϕgydF4y2Ba 是一个高斯函数。我们设置了不变性扩展到0.5秒。所构造的小波散射网络包括两层。我们设置gydF4y2Ba 问gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 8gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 小波每倍频程在第一和第二层次,分别。我们试过其他不同的设置不变规模和小波八度决议,但这种体系结构保留了信号最好的分类信息。图gydF4y2Ba 4gydF4y2Ba显示了使用伽柏小波和它的低通滤波器gydF4y2Ba ϕgydF4y2Ba JgydF4y2Ba tgydF4y2Ba 。注意coarsest-scale小波不超过不变性规模由时间决定支持的低通滤波器gydF4y2Ba ϕgydF4y2Ba JgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

小波滤波器。(一)0.5年代的低通滤波器不变性。(b)第一个过滤器银行每八度,第二个8小波与每倍频程1小波滤波器组。gydF4y2Ba

小波散射网络形式的输出一个张量的大小gydF4y2Ba 75年gydF4y2Ba ×gydF4y2Ba 8gydF4y2Ba ×gydF4y2Ba 36000年gydF4y2Ba 。每片的散射系数张量是一个心电图的心跳。散射系数是非常及时downsampled基于低通滤波器的带宽,导致75时间窗口的每个散射路径。获得一个数据结构兼容使用的分类器,我们重塑了张量为gydF4y2Ba 2880000gydF4y2Ba ×gydF4y2Ba 75年gydF4y2Ba 矩阵的每一列和行对应于一个散射路径和一个时间窗口,分别。我们获得了2880000行,因为有8个时间窗口的每个数据库中的360000个信号。图gydF4y2Ba 5gydF4y2Ba显示了散射系数的windows 8时间一个心电图的心跳。gydF4y2Ba

散射系数的时间窗口一个心电图的心跳。gydF4y2Ba

 4.2。与神经网络分类gydF4y2Ba

神经网络分类器能够对大数据分类的任务,所以我们用它来初步测试8时间窗的分类性能。对于每一个心跳,我们创建标签匹配时间窗口的数量。每个时间窗的决定被多数投票聚合生成的标签输入心电图的心跳。gydF4y2Ba

我们雇了一个10倍交叉验证(gydF4y2Ba 31日gydF4y2Ba]。首先,360000年的心电图心跳被分成10个相等的部分。然后,其中90%是用于训练网络,剩下的10%是用于测试。这个过程被重复10次,整体性能是平均价值的10倍。gydF4y2Ba

AAMI已经提供了标准和推荐实践报告心律失常自动检测算法的性能结果(gydF4y2Ba 9gydF4y2Ba]。我们跟着这些实践,本文的方法可以比较表gydF4y2Ba 1gydF4y2Ba。,阳性预测值(PPV)敏感性(SEN)和特异性(规范)被用来测量方法的分类性能。表gydF4y2Ba 4gydF4y2Ba介绍了在10折叠混淆矩阵。表gydF4y2Ba 5gydF4y2Ba提出了每个时间窗口的准确性。gydF4y2Ba

8时间窗的混淆矩阵结合神经网络在10倍。gydF4y2Ba

原始gydF4y2Ba 预测gydF4y2Ba
NgydF4y2Ba 年代gydF4y2Ba VgydF4y2Ba FgydF4y2Ba PPV (%)gydF4y2Ba 森(%)gydF4y2Ba 规范(%)gydF4y2Ba
NgydF4y2Ba 88681年gydF4y2Ba 369年gydF4y2Ba 737年gydF4y2Ba 213年gydF4y2Ba 90.9gydF4y2Ba 98.5gydF4y2Ba 96.7gydF4y2Ba
年代gydF4y2Ba 4106年gydF4y2Ba 82994年gydF4y2Ba 2006年gydF4y2Ba 894年gydF4y2Ba 93.9gydF4y2Ba 92.2gydF4y2Ba 98.0gydF4y2Ba
VgydF4y2Ba 2669年gydF4y2Ba 2132年gydF4y2Ba 83701年gydF4y2Ba 1498年gydF4y2Ba 91.7gydF4y2Ba 93.0gydF4y2Ba 97.2gydF4y2Ba
FgydF4y2Ba 2124年gydF4y2Ba 2872年gydF4y2Ba 4843年gydF4y2Ba 80161年gydF4y2Ba 96.9gydF4y2Ba 89.1gydF4y2Ba 96.5gydF4y2Ba

每次窗口由神经网络分类的准确性。gydF4y2Ba

时间窗口gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba 6gydF4y2Ba 7gydF4y2Ba 8gydF4y2Ba
ACC (%)gydF4y2Ba 88.9gydF4y2Ba 90.3gydF4y2Ba 92.2gydF4y2Ba 92.8gydF4y2Ba 92.2gydF4y2Ba 91.2gydF4y2Ba 89.8gydF4y2Ba 87.3gydF4y2Ba
4.3。PCA和时间窗的选择gydF4y2Ba

如图gydF4y2Ba 5gydF4y2Ba,8次窗户都显著相关。表gydF4y2Ba 5gydF4y2Ba说明了侧吹风,窗户第4和第5次比其他人更好的歧视。我们还可以看到从图gydF4y2Ba 5gydF4y2Ba这三个时间窗口有更大的振幅波动,这意味着它们含有更多的和清晰的心电图心跳的细节,特别是第四时间窗口。为了获得更好的性能和降低计算成本,我们使用两种方法来减少冗余的8个时间窗口。gydF4y2Ba

主成分分析(PCA)gydF4y2Ba:主成分分析项目特性的方向方差降低特征维数的(最高gydF4y2Ba 32gydF4y2Ba]。前几个主成分可以代表最变化特性。一个主成分的贡献率是它所代表的总变化的百分比。在这项研究中,有8个时间窗口中的每个节点散射网络。然而,windows 8次共线性在某种程度上,这可能会导致较低的分类性能。为了消除共线性产生更简洁的特性,我们使用主成分分析提取主成分的8为每个节点时间窗口。平均的第一和第二主成分的贡献率约为84%和15%,分别。因此,对于每个ECG的心跳,我们把8个时间窗口的第一主成分作为新的特性,这是一个75 -维向量与每个维度对应一个节点。gydF4y2Ba

时间窗的选择gydF4y2Ba:节中描述gydF4y2Ba 4.3gydF4y2Ba,多数表决是用来预测的标签为每个测试心电图的心跳。然而,如表所示gydF4y2Ba 5gydF4y2Ba,性能可以影响精度较低的时间窗口。此外,ECG信号的病理信息主要集中在R-peak,很短的时间。不同心律失常之间的歧视类别可能参与一个特定的时间窗口。这激励我们测试每个时间窗口分别使用不同的分类器的性能和找到时间窗口生成最佳分类结果。gydF4y2Ba

神经网络分类器能够使用任意数量的时间窗口功能。在有限的计算能力,并通过和资讯分类器适合的情况下使用一个时间窗口功能。测试PCA方法,我们8时间窗口的第一主成分输入神经网络,并通过,分别和资讯分类器。整个10折叠混淆矩阵如表所示gydF4y2Ba 6gydF4y2Ba。测试的时间窗口选择方法,我们进行了两个实验。首先,我们8时间窗口输入神经网络,并通过,然而单独分类,发现第四时间窗口生成最佳的性能。混淆矩阵如表所示gydF4y2Ba 7gydF4y2Ba。其次,我们尝试不同的时间窗口组合和分类的神经网络分类器,发现侧吹风的结合,4日和5日时间窗口执行比其他人更好。表gydF4y2Ba 8gydF4y2Ba提出了混合矩阵。gydF4y2Ba

第一主成分的混淆矩阵与神经网络相结合,并通过,然而在10倍。gydF4y2Ba

原始gydF4y2Ba 预测gydF4y2Ba
NgydF4y2Ba 年代gydF4y2Ba VgydF4y2Ba FgydF4y2Ba PPV (%)gydF4y2Ba 森(%)gydF4y2Ba 规范(%)gydF4y2Ba
神经网络gydF4y2Ba NgydF4y2Ba 83508年gydF4y2Ba 2621年gydF4y2Ba 2799年gydF4y2Ba 1072年gydF4y2Ba 92.4gydF4y2Ba 92.8gydF4y2Ba 97.5gydF4y2Ba
年代gydF4y2Ba 3144年gydF4y2Ba 84182年gydF4y2Ba 1946年gydF4y2Ba 728年gydF4y2Ba 94.0gydF4y2Ba 93.5gydF4y2Ba 98.0gydF4y2Ba
VgydF4y2Ba 1434年gydF4y2Ba 996年gydF4y2Ba 86100年gydF4y2Ba 1460年gydF4y2Ba 91.7gydF4y2Ba 95.7gydF4y2Ba 97.1gydF4y2Ba
FgydF4y2Ba 2270年gydF4y2Ba 1803年gydF4y2Ba 3069年gydF4y2Ba 82858年gydF4y2Ba 96.2gydF4y2Ba 92.1gydF4y2Ba 97.4gydF4y2Ba
并通过gydF4y2Ba NgydF4y2Ba 86738年gydF4y2Ba 1225年gydF4y2Ba 1459年gydF4y2Ba 578年gydF4y2Ba 97.8gydF4y2Ba 96.4gydF4y2Ba 99.3gydF4y2Ba
年代gydF4y2Ba 1646年gydF4y2Ba 88085年gydF4y2Ba 214年gydF4y2Ba 55gydF4y2Ba 98.6gydF4y2Ba 97.9gydF4y2Ba 99.5gydF4y2Ba
VgydF4y2Ba 50gydF4y2Ba 13gydF4y2Ba 89797年gydF4y2Ba 140年gydF4y2Ba 98.1gydF4y2Ba 99.8gydF4y2Ba 99.4gydF4y2Ba
FgydF4y2Ba 228年gydF4y2Ba 27gydF4y2Ba 21gydF4y2Ba 89724年gydF4y2Ba 99.1gydF4y2Ba 99.7gydF4y2Ba 99.9gydF4y2Ba
然而,gydF4y2Ba NgydF4y2Ba 87816年gydF4y2Ba 690年gydF4y2Ba 1091年gydF4y2Ba 403年gydF4y2Ba 96.5gydF4y2Ba 97.6gydF4y2Ba 98.8gydF4y2Ba
年代gydF4y2Ba 2418年gydF4y2Ba 86520年gydF4y2Ba 627年gydF4y2Ba 435年gydF4y2Ba 98.9gydF4y2Ba 96.1gydF4y2Ba 99.7gydF4y2Ba
VgydF4y2Ba 156年gydF4y2Ba 62年gydF4y2Ba 89612年gydF4y2Ba 170年gydF4y2Ba 98.0gydF4y2Ba 99.6gydF4y2Ba 99.3gydF4y2Ba
FgydF4y2Ba 572年gydF4y2Ba 186年gydF4y2Ba 112年gydF4y2Ba 89130年gydF4y2Ba 98.9gydF4y2Ba 99.0gydF4y2Ba 99.7gydF4y2Ba

第四次混淆矩阵窗口与神经网络相结合,并通过,然而在10倍。gydF4y2Ba

原始gydF4y2Ba 预测gydF4y2Ba
NgydF4y2Ba 年代gydF4y2Ba VgydF4y2Ba FgydF4y2Ba PPV (%)gydF4y2Ba 森(%)gydF4y2Ba 规范(%)gydF4y2Ba
神经网络gydF4y2Ba NgydF4y2Ba 88146年gydF4y2Ba 811年gydF4y2Ba 789年gydF4y2Ba 254年gydF4y2Ba 93.8gydF4y2Ba 97.9gydF4y2Ba 97.8gydF4y2Ba
年代gydF4y2Ba 3181年gydF4y2Ba 85641年gydF4y2Ba 901年gydF4y2Ba 277年gydF4y2Ba 94.9gydF4y2Ba 95.2gydF4y2Ba 98.3gydF4y2Ba
VgydF4y2Ba 1553年gydF4y2Ba 1323年gydF4y2Ba 85084年gydF4y2Ba 2040年gydF4y2Ba 94.4gydF4y2Ba 94.5gydF4y2Ba 98.1gydF4y2Ba
FgydF4y2Ba 1108年gydF4y2Ba 2439年gydF4y2Ba 3343年gydF4y2Ba 83110年gydF4y2Ba 97.0gydF4y2Ba 92.3gydF4y2Ba 97.5gydF4y2Ba
并通过gydF4y2Ba NgydF4y2Ba 86415年gydF4y2Ba 2540年gydF4y2Ba 615年gydF4y2Ba 430年gydF4y2Ba 99.8gydF4y2Ba 96.0gydF4y2Ba 99.9gydF4y2Ba
年代gydF4y2Ba 171年gydF4y2Ba 89828年gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 97.2gydF4y2Ba 99.8gydF4y2Ba 99.0gydF4y2Ba
VgydF4y2Ba 1gydF4y2Ba 71年gydF4y2Ba 89879年gydF4y2Ba 49gydF4y2Ba 99.3gydF4y2Ba 99.9gydF4y2Ba 99.8gydF4y2Ba
FgydF4y2Ba 0gydF4y2Ba 1701年gydF4y2Ba 1645年gydF4y2Ba 86654年gydF4y2Ba 96.0gydF4y2Ba 96.3gydF4y2Ba 98.8gydF4y2Ba
然而,gydF4y2Ba NgydF4y2Ba 88915年gydF4y2Ba 644年gydF4y2Ba 281年gydF4y2Ba 160年gydF4y2Ba 98.5gydF4y2Ba 98.8gydF4y2Ba 99.5gydF4y2Ba
年代gydF4y2Ba 893年gydF4y2Ba 87177年gydF4y2Ba 1155年gydF4y2Ba 775年gydF4y2Ba 92.7gydF4y2Ba 96.9gydF4y2Ba 97.4gydF4y2Ba
VgydF4y2Ba 496年gydF4y2Ba 4545年gydF4y2Ba 82247年gydF4y2Ba 2712年gydF4y2Ba 96.4gydF4y2Ba 91.4gydF4y2Ba 98.9gydF4y2Ba
FgydF4y2Ba 0gydF4y2Ba 3gydF4y2Ba 0gydF4y2Ba 89997年gydF4y2Ba 99.5gydF4y2Ba One hundred.gydF4y2Ba One hundred.gydF4y2Ba

侧吹风的混淆矩阵,4日和5日时间窗口结合神经网络在10倍。gydF4y2Ba

原始gydF4y2Ba 预测gydF4y2Ba
NgydF4y2Ba 年代gydF4y2Ba VgydF4y2Ba FgydF4y2Ba PPV (%)gydF4y2Ba 森(%)gydF4y2Ba 规范(%)gydF4y2Ba
NgydF4y2Ba 88156年gydF4y2Ba 560年gydF4y2Ba 1042年gydF4y2Ba 242年gydF4y2Ba 95.3gydF4y2Ba 98.0gydF4y2Ba 98.4gydF4y2Ba
年代gydF4y2Ba 2662年gydF4y2Ba 86180年gydF4y2Ba 721年gydF4y2Ba 437年gydF4y2Ba 96.3gydF4y2Ba 95.8gydF4y2Ba 98.8gydF4y2Ba
VgydF4y2Ba 909年gydF4y2Ba 933年gydF4y2Ba 86431年gydF4y2Ba 1727年gydF4y2Ba 94.6gydF4y2Ba 96.0gydF4y2Ba 98.2gydF4y2Ba
FgydF4y2Ba 794年gydF4y2Ba 1836年gydF4y2Ba 3163年gydF4y2Ba 84207年gydF4y2Ba 97.2gydF4y2Ba 93.6gydF4y2Ba 97.9gydF4y2Ba
5。讨论gydF4y2Ba

在本节中,我们将讨论部分中给出的分类结果gydF4y2Ba 4.3gydF4y2Ba和比较我们与最先进的研究方法。gydF4y2Ba

神经网络:gydF4y2Ba在所有方法使用神经网络分类器,利用第四时间窗口特性提供了98.1%,平均PPV的最大平均ACC SEN,和规范的99.3%,98.2%,和97.8%,分别。比较表gydF4y2Ba 4gydF4y2Ba,gydF4y2Ba 7gydF4y2Ba,gydF4y2Ba 8gydF4y2Ba,我们可以确认删除一些时间窗可提高分类性能。这表明有一些冗余的8个时间窗和四个类别之间的差异(N, S, V, F)主要反映在3日,4日和5日时间窗口。4时间窗的性能接近的侧吹风的结合,4日和5日的时间窗口。然而,后者的训练时间的三倍4时间窗口。此外,第一主成分的性能8时间窗口是不满意,这是比4的时间窗口。gydF4y2Ba

并通过:gydF4y2Ba比较表gydF4y2Ba 6gydF4y2Ba和gydF4y2Ba 7gydF4y2Ba,4日时间窗口和第一主成分提供了几乎相同的结果结合并通过(gydF4y2Ba 传播gydF4y2Ba =gydF4y2Ba 0.01gydF4y2Ba )分类器。前者是略好,收益率平均ACC, PPV,森,和规范的99.0%,98.7%,99.9%,和96.0%,分别。我们用蛮力方法设置的值。并通过分类器扩散值为0.005,0.01,0.02,0.03,0.04,0.1,和1测试过,有0.01的传播价值产生最好的结果。表gydF4y2Ba 7gydF4y2Ba表明,室上异位的森胜(SVEB)和心室异位胜(VEB)分别为99.8%和99.9%,分别;这意味着几乎所有的SVEB和VEB已经正确地检测到。因此,并通过分类器在分类性能优良SVEB VEB,应该更加关注在临床诊断。gydF4y2Ba

资讯:gydF4y2Ba这个工作是通过资讯的最佳性能gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 4gydF4y2Ba 和使用第四时间窗口的功能。平均ACC, PPV、森和规范是99.3%,99.6%,99.5%,和98.8%,分别比PCA特征要好得多。然而,这个结果只是措施的性能分类正常(N)和(S, V, F)心电图异常心跳。从表gydF4y2Ba 7gydF4y2Ba对所测试,我们可以发现不同的心律失常分类类别的分类器性能更好,尤其是VEB和SVEB。gydF4y2Ba

表gydF4y2Ba 1gydF4y2Ba总结了最近的进步自动心电图分类比使用MIT-BIH心律失常数据库。只有四个同样的心律失常分类工作,N, S, V, F,问:Martis et al。gydF4y2Ba 32gydF4y2Ba]PCA用于离散余弦变换(DCT)系数计算分段跳动的心电图。dimensionality-reduced特性结合资讯分类器产量最高的平均ACC,森,和规范的99.52%,98.69%,和99.91%,分别。然而,混淆矩阵(没有提供gydF4y2Ba 32gydF4y2Ba]。李,周gydF4y2Ba 33gydF4y2Ba)使用小波包熵热电制冷(RF)和随机森林分类ECG信号分为5类;他们获得了ACC的94.61%。Acharya et al。gydF4y2Ba 26gydF4y2Ba)使用9-layer卷积神经网络实现了平均ACC,森,和规范的93.47%,96.01%,和91.64%,分别。杨和魏gydF4y2Ba 6gydF4y2Ba]结合参数和视觉模式的特性和使用资讯的分类。他们获得一个整体ACC为97.70%。V和年代的精度不满足,显著降低整体的精度。gydF4y2Ba

表gydF4y2Ba 9gydF4y2Ba通过我们的方法总结了表演。我们可以从表的结论gydF4y2Ba 9gydF4y2Ba和gydF4y2Ba 1gydF4y2Ba这项工作的表现比那些最先进的研究分类心电图心跳分为5类(N, S, V F和Q)。这表明小波散射变换提取心电图心跳的功能表现良好,减少组内差异和维护组内的辨别力。此外,散射系数在特定的时间窗口含有更多的代表不同类别的信息比其他时间窗口。的降维8时间窗口消除了冗余的特征,这不仅可提高分类性能,而且降低了计算成本。在这项研究中,我们的研究结果表明,散射系数的第四届时间窗口包含足够的信息对心律失常的分类。gydF4y2Ba

总结分类结果通过的所有方法。gydF4y2Ba

特征提取gydF4y2Ba 分类器gydF4y2Ba TPgydF4y2Ba TNgydF4y2Ba 《外交政策》gydF4y2Ba FNgydF4y2Ba ACC (%)gydF4y2Ba PPV (%)gydF4y2Ba 森(%)gydF4y2Ba 规范(%)gydF4y2Ba
摘要:gydF4y2Ba 神经网络gydF4y2Ba 261101年gydF4y2Ba 88681年gydF4y2Ba 1319年gydF4y2Ba 8899年gydF4y2Ba 97.2gydF4y2Ba 99.5gydF4y2Ba 96.7gydF4y2Ba 98.5gydF4y2Ba
摘要:+主成分分析gydF4y2Ba 神经网络gydF4y2Ba 263152年gydF4y2Ba 83508年gydF4y2Ba 6492年gydF4y2Ba 6848年gydF4y2Ba 96.3gydF4y2Ba 97.6gydF4y2Ba 97.5gydF4y2Ba 92.3gydF4y2Ba
并通过gydF4y2Ba 268076年gydF4y2Ba 86738年gydF4y2Ba 3262年gydF4y2Ba 1924年gydF4y2Ba 98.6gydF4y2Ba 98.8gydF4y2Ba 99.3gydF4y2Ba 96.4gydF4y2Ba
然而,gydF4y2Ba 266854年gydF4y2Ba 87816年gydF4y2Ba 2184年gydF4y2Ba 3146年gydF4y2Ba 98.5gydF4y2Ba 99.2gydF4y2Ba 98.8gydF4y2Ba 97.6gydF4y2Ba
WSN + 3日,4日和5日时间窗口gydF4y2Ba 神经网络gydF4y2Ba 264158年gydF4y2Ba 88146年gydF4y2Ba 1854年gydF4y2Ba 5842年gydF4y2Ba 97.9gydF4y2Ba 99.3gydF4y2Ba 97.8gydF4y2Ba 97.9gydF4y2Ba
传感器网络+第四时间窗口gydF4y2Ba 神经网络gydF4y2Ba 265091年gydF4y2Ba 87999年gydF4y2Ba 2001年gydF4y2Ba 4909年gydF4y2Ba 98.1gydF4y2Ba 99.3gydF4y2Ba 98.2gydF4y2Ba 97.8gydF4y2Ba
并通过gydF4y2Ba 269828年gydF4y2Ba 86415年gydF4y2Ba 3585年gydF4y2Ba 172年gydF4y2Ba 99.0gydF4y2Ba 98.7gydF4y2Ba 99.9gydF4y2Ba 96.0gydF4y2Ba
然而,gydF4y2Ba 268611年gydF4y2Ba 88915年gydF4y2Ba 1085年gydF4y2Ba 1389年gydF4y2Ba 99.3gydF4y2Ba 99.6gydF4y2Ba 99.5gydF4y2Ba 98.8gydF4y2Ba

TP:真阳性;TN:真阴性;FP:假阳性;FN:假阴性;摘要::小波散射网络。gydF4y2Ba

 6。结论gydF4y2Ba

在这项研究中,我们讨论了自动心电图分类使用非线性特性的小波散射变换提取心电图节拍。结合适当的分类器,这项研究表明小波散射系数可用于分类和产生高度准确的分类结果。我们的研究结果表明,散射系数的第四届时间窗口结合资讯分类器实现最佳的性能。平均ACC, PPV、森和规范是99.3%,99.6%,99.5%,和98.8%,分别。在未来的工作中,我们将尝试把所有时间窗的适当方法,然后给他们到一个稀疏分类器来改善分类性能和降低计算成本。此外,所有的工作表gydF4y2Ba 1gydF4y2Ba病人独立,心电图节拍收集从一个病人池和实验进行不考虑同一病人心电节拍的自相关。Nascimento et al。gydF4y2Ba 34gydF4y2Ba提出一个创新的配置结构同现矩阵。也极大的兴趣拓展小波散射变换心律失常的病人自身分类使用心电图信号。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的所有数据在我们的研究中可以访问gydF4y2Ba http://ecg.mit.edu/dbinfo.htmlgydF4y2Ba。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

Zhishuai刘、张Junpu Xueying曾被中国国家自然科学基金支持(号。11701538、11771408、11771408)和中央大学的基础研究基金(没有。201964006)。清张和桂花姚明是中国国家自然科学基金支持的[不。81671703),山东的主要研究和开发项目(没有。2015 gsf118026],青岛键健康学科发展基金,和青岛的民生科技项目(没有。18 - 6 - 1 - 62 - nsh)。gydF4y2Ba

 世界卫生组织gydF4y2Ba 心血管疾病(心血管病)gydF4y2Ba 2019年5月,gydF4y2Ba https://www.who.int/en/news-room/fact-sheets/detail/cardiovascular-diseases-(心血管病)gydF4y2Ba 便雅悯gydF4y2Ba e . J。gydF4y2Ba ViranigydF4y2Ba 美国年代。gydF4y2Ba 卡拉威gydF4y2Ba c·W。gydF4y2Ba 张伯伦gydF4y2Ba a . M。gydF4y2Ba 常gydF4y2Ba a。R。gydF4y2Ba 程gydF4y2Ba 年代。gydF4y2Ba ChiuvegydF4y2Ba s E。gydF4y2Ba CushmangydF4y2Ba M。gydF4y2Ba ▽gydF4y2Ba f . N。gydF4y2Ba 托gydF4y2Ba R。gydF4y2Ba Ferranti德gydF4y2Ba s D。gydF4y2Ba 弗格森gydF4y2Ba j·F。gydF4y2Ba FornagegydF4y2Ba M。gydF4y2Ba GillespiegydF4y2Ba C。gydF4y2Ba IsasigydF4y2Ba c·R。gydF4y2Ba 吉梅内斯gydF4y2Ba m . C。gydF4y2Ba 约旦gydF4y2Ba l . C。gydF4y2Ba 贾德gydF4y2Ba s E。gydF4y2Ba 拉克兰gydF4y2Ba D。gydF4y2Ba 李奇曼gydF4y2Ba j . H。gydF4y2Ba LisabethgydF4y2Ba lgydF4y2Ba 刘gydF4y2Ba 年代。gydF4y2Ba LongeneckergydF4y2Ba c . T。gydF4y2Ba LutseygydF4y2Ba p . L。gydF4y2Ba 麦基gydF4y2Ba j·S。gydF4y2Ba MatchargydF4y2Ba d·B。gydF4y2Ba 松下gydF4y2Ba K。gydF4y2Ba MussolinogydF4y2Ba m E。gydF4y2Ba 纳西尔gydF4y2Ba K。gydF4y2Ba O 'FlahertygydF4y2Ba M。gydF4y2Ba 印度gydF4y2Ba l . P。gydF4y2Ba PandeygydF4y2Ba 一个。gydF4y2Ba PandeygydF4y2Ba d·K。gydF4y2Ba 里夫斯gydF4y2Ba m·J。gydF4y2Ba RitcheygydF4y2Ba m D。gydF4y2Ba 罗德里格斯gydF4y2Ba c·J。gydF4y2Ba 罗斯gydF4y2Ba g。gydF4y2Ba 罗莎蒙德gydF4y2Ba w·D。gydF4y2Ba 桑普森gydF4y2Ba 英国。gydF4y2Ba SatougydF4y2Ba g . M。gydF4y2Ba 沙阿gydF4y2Ba s . H。gydF4y2Ba SpartanogydF4y2Ba n . L。gydF4y2Ba TirschwellgydF4y2Ba d . L。gydF4y2Ba 曹gydF4y2Ba c·W。gydF4y2Ba VoeksgydF4y2Ba j . H。gydF4y2Ba 开松机gydF4y2Ba j . Z。gydF4y2Ba 威尔金斯gydF4y2Ba j . T。gydF4y2Ba 吴gydF4y2Ba j . h . Y。gydF4y2Ba 阿尔杰gydF4y2Ba h . M。gydF4y2Ba 黄gydF4y2Ba 美国年代。gydF4y2Ba MuntnergydF4y2Ba P。gydF4y2Ba 心脏病和中风统计- 2018更新:美国心脏协会的一份报告gydF4y2Ba 循环gydF4y2Ba 2018年gydF4y2Ba 137年gydF4y2Ba 12gydF4y2Ba 10.1161 / cir.0000000000000558gydF4y2Ba 2 - s2.0 - 85047755617gydF4y2Ba 国家心肺和血液研究所gydF4y2Ba 心律失常gydF4y2Ba 2019年5月,gydF4y2Ba https://www.nhlbi.nih.gov/health-topics/arrhythmiagydF4y2Ba Martis称gydF4y2Ba r . J。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 埃德里gydF4y2Ba H。gydF4y2Ba 当前的方法在心电图特征gydF4y2Ba 计算机在生物学和医学gydF4y2Ba 2014年gydF4y2Ba 48gydF4y2Ba 3gydF4y2Ba 133年gydF4y2Ba 149年gydF4y2Ba 10.1016 / j.compbiomed.2014.02.012gydF4y2Ba 2 - s2.0 - 84896967586gydF4y2Ba 24681634gydF4y2Ba HadhoudgydF4y2Ba m·m·A。gydF4y2Ba EladawygydF4y2Ba m . I。gydF4y2Ba 法拉克gydF4y2Ba 一个。gydF4y2Ba 计算机辅助诊断心律失常gydF4y2Ba 2006年国际会议上计算机工程和系统gydF4y2Ba 2006年gydF4y2Ba 开罗,埃及gydF4y2Ba 262年gydF4y2Ba 265年gydF4y2Ba 杨gydF4y2Ba H。gydF4y2Ba 魏gydF4y2Ba Z。gydF4y2Ba 心律失常识别和分类使用参数和心电图形态的视觉模式特征gydF4y2Ba IEEE访问gydF4y2Ba 2020年gydF4y2Ba 8gydF4y2Ba 99年gydF4y2Ba 47103年gydF4y2Ba 47117年gydF4y2Ba 10.1109 / ACCESS.2020.2979256gydF4y2Ba Martis称gydF4y2Ba r . J。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba MandanagydF4y2Ba k . M。gydF4y2Ba 雷gydF4y2Ba 答:K。gydF4y2Ba ChakrabortygydF4y2Ba C。gydF4y2Ba 使用高阶谱心脏决策gydF4y2Ba 生物医学信号处理和控制gydF4y2Ba 2013年gydF4y2Ba 8gydF4y2Ba 2gydF4y2Ba 193年gydF4y2Ba 203年gydF4y2Ba 10.1016 / j.bspc.2012.08.004gydF4y2Ba 2 - s2.0 - 84874540138gydF4y2Ba 卡亚gydF4y2Ba Y。gydF4y2Ba PehlivangydF4y2Ba H。gydF4y2Ba 分类过早心室收缩的心电图gydF4y2Ba 国际期刊《先进的计算机科学和应用程序gydF4y2Ba 2015年gydF4y2Ba 6gydF4y2Ba 7gydF4y2Ba 34gydF4y2Ba 40gydF4y2Ba 促进会的医疗仪器gydF4y2Ba 测试和报告的性能结果心脏节律和ST段测量算法gydF4y2Ba 1998年gydF4y2Ba 1998年gydF4y2Ba ANSI / AAMI EC38gydF4y2Ba 格拉汉姆·古德费勒gydF4y2Ba 我。gydF4y2Ba BengiogydF4y2Ba Y。gydF4y2Ba 考维尔gydF4y2Ba 一个。gydF4y2Ba 深度学习gydF4y2Ba 2016年gydF4y2Ba 麻省理工学院出版社gydF4y2Ba 李gydF4y2Ba C。gydF4y2Ba 郑gydF4y2Ba C。gydF4y2Ba 大gydF4y2Ba C。gydF4y2Ba 使用小波变换检测心电图特征点gydF4y2Ba IEEE生物医学工程gydF4y2Ba 1995年gydF4y2Ba 42gydF4y2Ba 1gydF4y2Ba 21gydF4y2Ba 28gydF4y2Ba 10.1109/10.362922gydF4y2Ba 2 - s2.0 - 0028960610gydF4y2Ba 7851927gydF4y2Ba 恩斯gydF4y2Ba T。gydF4y2Ba KiranyazgydF4y2Ba 年代。gydF4y2Ba GabboujgydF4y2Ba M。gydF4y2Ba 一个通用的和健壮的系统自动化的特定病人的心电图信号的分类gydF4y2Ba IEEE生物医学工程gydF4y2Ba 2009年gydF4y2Ba 56gydF4y2Ba 5gydF4y2Ba 1415年gydF4y2Ba 1426年gydF4y2Ba 10.1109 / TBME.2009.2013934gydF4y2Ba 2 - s2.0 - 67649208265gydF4y2Ba 19203885gydF4y2Ba Martis称gydF4y2Ba r . J。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 最小值gydF4y2Ba l . C。gydF4y2Ba 心电图击败分类使用PCA, LDA, ICA和离散小波变换gydF4y2Ba 生物医学信号处理和控制gydF4y2Ba 2013年gydF4y2Ba 8gydF4y2Ba 5gydF4y2Ba 437年gydF4y2Ba 448年gydF4y2Ba 10.1016 / j.bspc.2013.01.005gydF4y2Ba 2 - s2.0 - 85028159926gydF4y2Ba MallatgydF4y2Ba 年代。gydF4y2Ba 集团不变的散射gydF4y2Ba 通信在纯粹和应用数学gydF4y2Ba 2012年gydF4y2Ba 65年gydF4y2Ba 10gydF4y2Ba 1331年gydF4y2Ba 1398年gydF4y2Ba 10.1002 / cpa.21413gydF4y2Ba 2 - s2.0 - 84864324516gydF4y2Ba 米菲gydF4y2Ba J。gydF4y2Ba MallatgydF4y2Ba 年代。gydF4y2Ba 不变的散射卷积网络gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2013年gydF4y2Ba 35gydF4y2Ba 8gydF4y2Ba 1872年gydF4y2Ba 1886年gydF4y2Ba 10.1109 / TPAMI.2012.230gydF4y2Ba 2 - s2.0 - 84879877798gydF4y2Ba 23787341gydF4y2Ba MallatgydF4y2Ba 年代。gydF4y2Ba 深理解卷积网络gydF4y2Ba 英国皇家学会哲学学报A:数学,物理和工程科学gydF4y2Ba 2016年gydF4y2Ba 374年gydF4y2Ba 2065年,20150203条gydF4y2Ba 10.1098 / rsta.2015.0203gydF4y2Ba 2 - s2.0 - 84960344531gydF4y2Ba 26953183gydF4y2Ba LeonarduzzigydF4y2Ba R。gydF4y2Ba 刘gydF4y2Ba H。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 散射变换和稀疏线性分类器对艺术的身份验证gydF4y2Ba 信号处理gydF4y2Ba 2018年gydF4y2Ba 150年gydF4y2Ba 11gydF4y2Ba 19gydF4y2Ba 10.1016 / j.sigpro.2018.03.012gydF4y2Ba 2 - s2.0 - 85044958661gydF4y2Ba 米菲gydF4y2Ba J。gydF4y2Ba MallatgydF4y2Ba 年代。gydF4y2Ba 分类与散射运营商gydF4y2Ba 计算机视觉和模式识别gydF4y2Ba 2011年6月gydF4y2Ba 普罗维登斯,美国国际扶轮gydF4y2Ba 1561年gydF4y2Ba 1566年gydF4y2Ba 然后gydF4y2Ba J。gydF4y2Ba MallatgydF4y2Ba 年代。gydF4y2Ba 多尺度散射的音频分类gydF4y2Ba 国际社会对音乐信息检索会议gydF4y2Ba 2011年gydF4y2Ba 美国佛罗里达迈阿密gydF4y2Ba 657年gydF4y2Ba 662年gydF4y2Ba 然后gydF4y2Ba J。gydF4y2Ba MallatgydF4y2Ba 年代。gydF4y2Ba 深层散射光谱gydF4y2Ba IEEE信号处理gydF4y2Ba 2014年gydF4y2Ba 62年gydF4y2Ba 16gydF4y2Ba 4114年gydF4y2Ba 4128年gydF4y2Ba 10.1109 / TSP.2014.2326991gydF4y2Ba 2 - s2.0 - 84896734479gydF4y2Ba 马克gydF4y2Ba R。gydF4y2Ba 喜怒无常的gydF4y2Ba G。gydF4y2Ba MIT-BIH心律失常数据库gydF4y2Ba 2019年5月,gydF4y2Ba http://ecg.mit.edu/dbinfo.htmlgydF4y2Ba 喜怒无常的gydF4y2Ba g . B。gydF4y2Ba 马克gydF4y2Ba r·G。gydF4y2Ba 数据库MIT-BIH心律失常的影响gydF4y2Ba IEEE,生物医学工程杂志gydF4y2Ba 2002年gydF4y2Ba 20.gydF4y2Ba 3gydF4y2Ba 45gydF4y2Ba 50gydF4y2Ba 锅gydF4y2Ba J。gydF4y2Ba 汤普金斯gydF4y2Ba w·J。gydF4y2Ba 一个实时QRS检测算法gydF4y2Ba IEEE生物医学工程gydF4y2Ba 1985年gydF4y2Ba BME-32gydF4y2Ba 3gydF4y2Ba 230年gydF4y2Ba 236年gydF4y2Ba 10.1109 / TBME.1985.325532gydF4y2Ba 2 - s2.0 - 0021892137gydF4y2Ba 3997178gydF4y2Ba RahhalgydF4y2Ba m·m·A。gydF4y2Ba 坝子gydF4y2Ba Y。gydF4y2Ba AlHichrigydF4y2Ba H。gydF4y2Ba AlajlangydF4y2Ba N。gydF4y2Ba MelganigydF4y2Ba F。gydF4y2Ba 狙击兵gydF4y2Ba R R。gydF4y2Ba 深度学习方法活跃的心电图信号的分类gydF4y2Ba 信息科学gydF4y2Ba 2016年gydF4y2Ba 345年gydF4y2Ba 340年gydF4y2Ba 354年gydF4y2Ba 10.1016 / j.ins.2016.01.082gydF4y2Ba 2 - s2.0 - 84959421866gydF4y2Ba 罗gydF4y2Ba K。gydF4y2Ba 李gydF4y2Ba j . Q。gydF4y2Ba 王gydF4y2Ba z G。gydF4y2Ba CuschierigydF4y2Ba 一个。gydF4y2Ba 针对病人的深度为心电图分类架构模型gydF4y2Ba 医疗保健工程gydF4y2Ba 2017年gydF4y2Ba 2017年gydF4y2Ba 13gydF4y2Ba 4108720gydF4y2Ba 10.1155 / 2017/4108720gydF4y2Ba 2 - s2.0 - 85019619356gydF4y2Ba 29065597gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 哦gydF4y2Ba s . L。gydF4y2Ba HagiwaragydF4y2Ba Y。gydF4y2Ba 棕褐色gydF4y2Ba j . H。gydF4y2Ba 亚当gydF4y2Ba M。gydF4y2Ba GertychgydF4y2Ba 一个。gydF4y2Ba 棕褐色gydF4y2Ba r S。gydF4y2Ba 深卷积神经网络模型对心跳进行分类gydF4y2Ba 计算机在生物学和医学gydF4y2Ba 2017年gydF4y2Ba 89年gydF4y2Ba 389年gydF4y2Ba 396年gydF4y2Ba 10.1016 / j.compbiomed.2017.08.022gydF4y2Ba 2 - s2.0 - 85028591985gydF4y2Ba 28869899gydF4y2Ba 主教gydF4y2Ba c . M。gydF4y2Ba 神经网络模式识别gydF4y2Ba 1995年gydF4y2Ba 牛津大学出版社gydF4y2Ba 微积分gydF4y2Ba 年代。gydF4y2Ba 神经网络:一个全面的基础gydF4y2Ba 1994年gydF4y2Ba 普伦蒂斯霍尔PTRgydF4y2Ba KingmagydF4y2Ba d . P。gydF4y2Ba 英航gydF4y2Ba J。gydF4y2Ba 亚当:一个随机优化方法gydF4y2Ba 2014年gydF4y2Ba http://arxiv.org/abs/1412.6980gydF4y2Ba SpechtgydF4y2Ba d F。gydF4y2Ba 概率神经网络gydF4y2Ba 神经网络gydF4y2Ba 1990年gydF4y2Ba 3gydF4y2Ba 1gydF4y2Ba 109年gydF4y2Ba 118年gydF4y2Ba 10.1016 / 0893 - 6080 (90)90049 - qgydF4y2Ba 2 - s2.0 - 0025206332gydF4y2Ba 杜达gydF4y2Ba r . O。gydF4y2Ba 哈特gydF4y2Ba p E。gydF4y2Ba 鹳gydF4y2Ba d·G。gydF4y2Ba 模式分类gydF4y2Ba 2012年gydF4y2Ba 约翰威利& SonsgydF4y2Ba Martis称gydF4y2Ba r . J。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba MandanagydF4y2Ba k . M。gydF4y2Ba 雷gydF4y2Ba 答:K。gydF4y2Ba ChakrabortygydF4y2Ba C。gydF4y2Ba 应用主成分分析对ECG信号进行自动诊断心脏的健康gydF4y2Ba 专家系统与应用程序gydF4y2Ba 2012年gydF4y2Ba 39gydF4y2Ba 14gydF4y2Ba 11792年gydF4y2Ba 11800年gydF4y2Ba 10.1016 / j.eswa.2012.04.072gydF4y2Ba 2 - s2.0 - 84861813983gydF4y2Ba 李gydF4y2Ba T。gydF4y2Ba 周gydF4y2Ba M。gydF4y2Ba 心电图分类使用小波包熵和随机森林gydF4y2Ba 熵gydF4y2Ba 2016年gydF4y2Ba 18gydF4y2Ba 8gydF4y2Ba 285年gydF4y2Ba 10.3390 / e18080285gydF4y2Ba 2 - s2.0 - 84981164333gydF4y2Ba NascimentogydF4y2Ba n·M·M。gydF4y2Ba 马里奥gydF4y2Ba l . B。gydF4y2Ba PeixotogydF4y2Ba 美国一个。gydF4y2Ba 淡水河谷Madeiro做gydF4y2Ba j . P。gydF4y2Ba 德阿尔伯克基gydF4y2Ba 诉h . C。gydF4y2Ba 球场gydF4y2Ba p p R。gydF4y2Ba 心律失常的分类基于统计和结构同现时刻gydF4y2Ba 电路系统和信号处理gydF4y2Ba 2020年gydF4y2Ba 39gydF4y2Ba 2gydF4y2Ba 631年gydF4y2Ba 650年gydF4y2Ba 10.1007 / s00034 - 019 - 01196 - wgydF4y2Ba 2 - s2.0 - 85068992032gydF4y2Ba 一转眼gydF4y2Ba o . T。gydF4y2Ba GiovangrandigydF4y2Ba lgydF4y2Ba KovacsgydF4y2Ba g . t。gydF4y2Ba 健壮的神经元网络分类的过早使用小波变换和时间间隔内功能心室收缩gydF4y2Ba IEEE生物医学工程gydF4y2Ba 2006年gydF4y2Ba 53gydF4y2Ba 12gydF4y2Ba 2507年gydF4y2Ba 2515年gydF4y2Ba 10.1109 / TBME.2006.880879gydF4y2Ba 2 - s2.0 - 33845865323gydF4y2Ba SayadigydF4y2Ba O。gydF4y2Ba ShamsollahigydF4y2Ba m B。gydF4y2Ba 克利福德gydF4y2Ba g D。gydF4y2Ba 过早心室收缩的健壮的检测使用贝叶斯框架搪塞过去gydF4y2Ba IEEE生物医学工程gydF4y2Ba 2010年gydF4y2Ba 57gydF4y2Ba 2gydF4y2Ba 353年gydF4y2Ba 362年gydF4y2Ba 10.1109 / TBME.2009.2031243gydF4y2Ba 2 - s2.0 - 77950345052gydF4y2Ba 19758851gydF4y2Ba 普拉萨德gydF4y2Ba H。gydF4y2Ba Martis称gydF4y2Ba r . J。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 最小值gydF4y2Ba l . C。gydF4y2Ba 苏瑞gydF4y2Ba j·S。gydF4y2Ba 应用高阶谱的准确界定心房心律失常gydF4y2Ba IEEE 2013年第35届国际会议在医学和生物工程协会(EMBC)gydF4y2Ba 2013年gydF4y2Ba 日本大阪gydF4y2Ba 57gydF4y2Ba 60gydF4y2Ba 10.1109 / EMBC.2013.6609436gydF4y2Ba 2 - s2.0 - 84886459891gydF4y2Ba Martis称gydF4y2Ba r . J。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 普拉萨德gydF4y2Ba H。gydF4y2Ba 蔡gydF4y2Ba c K。gydF4y2Ba LimgydF4y2Ba c . M。gydF4y2Ba 苏瑞gydF4y2Ba j·S。gydF4y2Ba 应用高阶统计心房心律失常分类gydF4y2Ba 生物医学信号处理和控制gydF4y2Ba 2013年gydF4y2Ba 8gydF4y2Ba 6gydF4y2Ba 888年gydF4y2Ba 900年gydF4y2Ba 10.1016 / j.bspc.2013.08.008gydF4y2Ba 2 - s2.0 - 84884585701gydF4y2Ba Martis称gydF4y2Ba r . J。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba LimgydF4y2Ba c . M。gydF4y2Ba MandanagydF4y2Ba k . M。gydF4y2Ba 雷gydF4y2Ba 答:K。gydF4y2Ba ChakrabortygydF4y2Ba C。gydF4y2Ba 应用高阶累积量特征对心脏健康诊断使用心电图信号gydF4y2Ba 国际期刊的神经系统gydF4y2Ba 2013年gydF4y2Ba 23gydF4y2Ba 4gydF4y2Ba 10.1142 / s0129065713500147gydF4y2Ba 2 - s2.0 - 84879112946gydF4y2Ba Martis称gydF4y2Ba r . J。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 埃德里gydF4y2Ba H。gydF4y2Ba 普拉萨德gydF4y2Ba H。gydF4y2Ba 棕褐色gydF4y2Ba j . H。gydF4y2Ba 蔡gydF4y2Ba k . C。gydF4y2Ba 太gydF4y2Ba c . L。gydF4y2Ba 杨gydF4y2Ba s . w . J。gydF4y2Ba 通gydF4y2Ba lgydF4y2Ba 使用降维方法的计算机辅助诊断心房心律失常在变换域表示gydF4y2Ba 生物医学信号处理和控制gydF4y2Ba 2014年gydF4y2Ba 13gydF4y2Ba 295年gydF4y2Ba 305年gydF4y2Ba 10.1016 / j.bspc.2014.04.001gydF4y2Ba 2 - s2.0 - 84904171065gydF4y2Ba 卡亚gydF4y2Ba Y。gydF4y2Ba PehlivangydF4y2Ba H。gydF4y2Ba 特征选择使用遗传算法过早心室收缩的分类gydF4y2Ba 2015年9日电气与电子工程国际会议(ELECO)gydF4y2Ba 2015年11月gydF4y2Ba 囊、土耳其gydF4y2Ba 1229年gydF4y2Ba 1232年gydF4y2Ba Mondjar-GuerragydF4y2Ba V。gydF4y2Ba 新生gydF4y2Ba J。gydF4y2Ba RoucogydF4y2Ba J。gydF4y2Ba PenedogydF4y2Ba m·G。gydF4y2Ba 奥尔特加gydF4y2Ba M。gydF4y2Ba 心跳分类融合时间和形态ecg信息通过系综分类器gydF4y2Ba 生物医学信号处理和控制gydF4y2Ba 2019年gydF4y2Ba 47gydF4y2Ba 41gydF4y2Ba 48gydF4y2Ba 10.1016 / j.bspc.2018.08.007gydF4y2Ba 2 - s2.0 - 85051770207gydF4y2Ba