一个有效LSTM复发性网络检测心律失常心电图不平衡数据集

文摘

减少高死亡率从心血管疾病(CVD)、心电图(ECG)击败在计算机辅助心律失常诊断系统中起着重要作用。然而,复杂的心电图变化和不平衡节拍使这一个具有挑战性的问题。因为心电图击败数据中存在大量不平衡范畴,一个有效的长期短期记忆(LSTM)递归网络模型与局部损失(FL)提出。为此,LSTM网络可以解决时间的特性在复杂的心电图信号,在FL用来解析downweighting容易识别的类别不平衡正常心电图的例子。提出了网络的优点MIT-BIH心律失常数据库中验证。实验结果表明,FL的LSTM网络实现一个可靠的解决问题的办法心电图打败不平衡数据集的分类和不敏感的ECG信号的质量。该方法可以部署在远程医疗场景帮助心脏病专家更准确、客观地诊断ECG信号。

1。介绍

心血管疾病(心血管病)是全球死亡的主要原因1]。据世界卫生组织统计,2016年约有1790万人死于心血管疾病,占所有死亡人数的31%。心律失常是由不当引起的心脏内的传导或脉冲的形成,从而影响心脏的形状或扰乱心率(2]。心电图(ECG)是一个全面的电信号活动的表现人类的心脏。获得心脏的各个部分的详细生理状态通过收集临床客观诊断的信号是一个不可或缺的手段。根据心电图数据自动分析和诊断有一个可靠的心律失常的临床诊断参考价值3]。

许多方法提出了ecg的自动分类。心电图击败的类型可以区分时域(4),小波变换(5)、遗传算法(6),支持向量机(SVM) [7],贝叶斯[8),或者其他方法。尽管上述分类方法实现高精度实验数据集上,他们的表现是高度依赖于固定的提取特征或手工设计方法。手动设计提取特征可能会增加计算复杂度在整个过程中,尤其是在变换域。

深度学习是机器学习和模式识别的主流。它提供了一个结构,其中特征提取和分类执行在一起(9]。深度学习在许多领域得到了广泛的应用,如图像分类(10),目标检测(11),和疾病预测(12]。它也有效地用于分析生物信息学信号(13- - - - - -17]。Acharya et al。13)提出了一个nine-layer卷积神经网络(CNN)自动识别五种心电图击败类型。Yildirim et al。151)设计了一个端到端的d-convolutional神经网络(1 d-cnn)心律失常模型检测。Hannun et al。16)开发了一种深层神经网络(款)检测12节奏心电图类。哦,et al。17)使用U-Net autoencoder检测五心律失常。CNN的输入通过其独特的weight-sharing机制是空间变化,即空间数据与一个典型的例子表现良好的形象。然而,递归神经网络(RNNs)更适合实际样品的外观变化序列。

长时间的短期记忆(LSTM)网络是一种特殊类型的RNN广泛用于时间序列分析。它可以有效地保留历史信息,实现学习的长期依赖信息的文本。它已经被应用在许多领域,如自然语言处理(18和语音识别19]。LSTM也用于心电图心律失常的检测。(20.- - - - - -23]。Yildirim [20.]深双向LSTM网络提出了一种新的模型——(BLSTM)基于小波序列(WS)分类心电图(ECG)信号。哦,et al。22)提出了一种联合网络模型利用CNN和LSTM心电图诊断心律失常。侯et al。23]介绍了一种新的算法相结合的基于深度学习LSTM心电图心律失常分类的支持向量机。

心电图的不平衡数据集是一个额外的挑战精确分类心电节拍。训练过程中存在两个问题:(1)训练效率低,因为正常心电图节拍占据很大一部分的数据集是容易出现负面影响,和(2)退化模型的一个正常心电图击败了培训。一些研究人员试图解决失衡在诊断心律失常的心电图击败数据。Sanabila et al。24)使用生成的过采样方法(基因组)解决不平衡的问题心律失常,产生新的数据点与特定的分布(β、γ和高斯)作为约束条件。拉杰什和Dhuli25)采用三个数据级预处理技术在提取特性集心电图心跳的平衡分布。这些都是随机采样过密和欠采样(肾),合成少数过采样技术与随机欠采样(打+俄文),和发布出去是依靠平衡(数据备份系统)。代替重采样输入心电图击败数据或功能集,焦点丢失地址不平衡数据集分类downweighting容易正常心电图击败的例子,这样他们的贡献很小,即使他们的损失数量大,也就是说,焦损失集中网络培训无人心电图及类型,这可能构成一个小的数据集的一部分。

灵感来自FL的想法解决不平衡分类问题的分类和LSTM推广技术,提出了一个有效的和FL LSTM处理不平衡心电图击败MIT-BIH心律失常数据库上的数据。LSTM自动提取复杂的ECG信号的时间特性,和FL减轻了心电图类不平衡问题LSTM面临的分销网络,使网络能够有效地训练所有类别。实验结果表明,该模型取得了最先进的心电图打败不平衡数据和性能优于先前的结果。此外,我们两去噪和去噪心电数据集进行实验,结果证明该模型是不敏感的ECG信号的质量。

2。方法

心律失常的分类使用深度学习一般包括两个基本阶段:预处理和分类。在预处理阶段,Daubechies 6 (db6)离散小波变换用于去除噪声的ECG信号。然后提取心电图心跳使用滑动窗口的搜索方法,并使用z分数数据规范化。LSTM网络提出了心电图心跳分类。这些方法的细节和理论背景将在以下部分中讨论。

2.1。预处理

心电信号的预处理包括去噪、分割。

2.1.1。噪声去除

我们的原始数据去噪Daubechies 6 (db6)离散小波变换26),和去噪心电信号被输入到LSTM网络。最初的和去噪心电信号如图所示1。

2.1.2。心电图击败分割

我们使用了滑动窗口搜索方法对样本映射提取(见图2)。MIT-BIH心律失常数据库提供注释心电图击败类信息验证由独立专家。自从R-peak检测算法实现超过99%的特异性和敏感性27- - - - - -29日),我们使用了直接R-peak注释文件。所有ECG信号被划分为序列长250样本,以注释R-peaks为中心。注意,我们使用了一个心电图击败默认长度为250分,但没有共同的标准尺寸。

2.2。方法

2.2.1。问题描述

实现心律失常的检测,将softmax回归模型作为最后一层LSTM网络的结构。输入训练集, 。n是心电图的数量比包含类标签。是一个心电图。的类别标签吗 。0、1、2、3、4、5、6和7的表征N,确诊,RBBB, APC, NESC, ABERR,人大和AESC分别。如果 , 是一个N(正常);否则,是心律失常类型之一。对于一个心电图击败 ,通过LSTM网络输出 ,所示 在哪里是一个函数过程,描述的过程一个心电图信号从输入层到最后完整的连接层,然后呢θ是在LSTM网络相关参数。

最后的输出向量完整的连接层由LSTM网络心电信号特征提取。它是美联储将softmax层计算每个ECG击败类别的概率。方程(2)将softmax函数用于提出网络: 在哪里C是心电图击败类别的数量。是类概率LSTM给输入特征向量 。

2.2.2。LSTM复发性网络

长短期记忆(LSTM)是一个time-recurrent神经网络。适用于时间序列预测的重要事件,和延迟间隔比较长30.]。神经网络可以有效地保留历史信息,实现学习的长期依赖信息的文本。LSTM网络由一个输入门,忘记门,输出门,和细胞单位更新和保留历史信息。图3显示了一个LSTM块。

忘记门在LSTM内存块是由一个简单的单神经元控制的。它决定哪些信息必须保留或丢弃,使历史信息的存储。输入门是一段LSTM块是由神经元和先前的内存单元的影响。它被激活来决定是否更新LSTM块的历史信息。候选人更新内容计算双曲正切神经元。当前时间记忆细胞状态值从当前计算候选细胞 ,前面的时间状态 ,输入通道信息 ,和忘记门信息 。 LSTM块的当前时间生成输出门口。最后,确定当前电池状态信息的数量,将输出。每个门的激活和当前电池状态的更新可以计算如下:

计算隐藏的向量为每个位置后,我们认为过去隐藏向量的心电图信号表示。我们给它一个线性层和一个输出分类数量和长度增加了一个softmax输出层分类的心电图击败N,确诊,RBBB, APC, NESC, ABERR,人大或AESC。

在本文中,我们使用但是LSTM架构包括一个输入层、一个LSTM层,两层完全连接。提出了不平衡LSTM ECG信号的结构特征提取和分类任务如图4。

2.2.3。焦心电图打败不平衡数据的损失

焦损失是一种更有效的方法来处理不平衡数据集的问题。它是通过改变叉(CE)损失函数。CE计算

局部损失(31日)是一种动态缩放CE,比例系数衰减到零的信心增加分类。凭直觉,这个比例因子可以自动downweight正常心电图的贡献在训练例子,和模型训练迅速关注困难的例子。可以计算FL 在哪里是调节因子和γ是一个主要参数。调制系数的目的是减少的重量轻易来说心电节拍,使模型更加专注于心电节拍很难分类在训练。当一个心电图击败分类错误很小,调制系数的值接近于1,损失几乎没有影响。损失值计算用FL根据框图如图5。

网络参数的优化是非常重要的。有许多类型的梯度下降优化算法,如Adagrad Adadelta,亚当,纳丹。本工作采用纳丹算法。这是一个有效的梯度下降优化算法,结合了亚当和唠叨算法计算不同参数自适应学习速率。总的来说,纳丹执行比其他梯度下降优化方法在实际应用32]。

3所示。实验和结果

3.1。实验设置

LSTM网络提出了本研究在深度学习框架Tensorflow 1.12.0在Microsoft Windows 64位操作系统。电脑服务器配置了一个8 gb英特尔(8)核心(TM) i5 - 7000处理器。考虑到分类结果的有效性,我们设置时代到350年。损失曲线和准确性曲线LSTM网络的训练和验证过程中使用FL ( )如图6。通过观察图的曲线6后350时代,网络聚合和总体分类精度稳定。火车模型所需的平均时间在一个时代大约是191年代。请注意,这个时代背景只是用来轻易评价其他学习的影响参数对网络分类结果并不能保证是最好的配置LSTM网络。

3.2。材料

我们使用了MIT-BIH心律失常数据库提供的麻省理工学院(33]。它来自47个临床病人和包含48带注释的心电图记录。每组约30分钟,采样率0.1 360 Hz, -100 Hz带通滤波器,总共大约650000个采样点。

有超过109000个标记从16个心跳节拍类别。节拍都是由两个或两个以上的心脏病专家。正常的类别的数据量最多,和最低的一类数据室上性早搏(只有两个样品)。本研究使用八个心电图击败类型:N,确诊,RBBB, APC, NESC, ABERR,人大,AESC。这些节拍类型及其数据表中列出1。

从表1,发现有一个沉重的正常与异常心电图节拍之间的不平衡。由于心电图打败不平衡数据,网络模型往往学习主要心电图击败数据的分布,而少数心电图击败数据的学习不足,和我们通常关心小类别的心电图异常跳动。

数据集心电节拍共有93371人。我们使用10%的心电图数据作为测试集。其余心电图数据,90%的数据被用作训练集和10%作为验证集。训练集和验证集被用来调整参数,确定最优设计模型的元素的数量。模型性能评估使用测试集,并不是之前使用。

3.3。评价指标

我们五个指标用于评估的性能提出网络:准确性,记得,精确,特异性,F1分。精度的比例正确分类心电图胜的心电图胜,这反映了测试结果和真实结果之间的一致性。然而,回忆、精度和特异性不偏见在评估不平衡数据集上的分类器的性能。的F1分是调和平均数的精度和召回。五个评价指标可以计算如下:

分类类别在这项研究不是二进制,所以我们使用混淆矩阵表达TP, FP, TN, FN指标建立一个分类测试。混淆矩阵,很容易产生上述四个指标。

3.4。网络参数配置

获得最好的我们的提议LSTM网络学习参数,我们定量地分析了不同的学习参数对实验结果的影响。最优参数值是由评估实验结果的分类精度上的多个用例测试集。

后350时代,LSTM网络聚集和分类精度稳定。LSTM网络参数的设置来获得最好的分类精度如表所示2。

在这个实验中,我们分析了各种学习参数对分类性能的影响,提出了用FL LSTM网络。主要的网络参数包括辍学、批量大小γFL的参数。

我们评估不同辍学提出网络越来越辍学比例。其他学习参数设置默认值在表中2。表3显示了分类精度测试设置不同辍学比例后350时代。

通过对比表的结果3,我们可以看到,我们的提议LSTM网络的性能没有改善辍学比例增加。因此,最优辍学LSTM网络结构的价值大约是零。

对LSTM然后,我们研究了影响网络性能的改变批量大小的初始设置。我们评估五个不同批量大小的性能,如表所示4。

基于表的结果4,增加或减少批量的大小并不一定提高我们的提议LSTM网络的性能。一个更大的批处理梯度的大小允许更精确的估计,但它是容易过度拟合。小批量的大小有一个标准化的效果,但存在效率低下的风险,是不可能提前停止或不匹配的策略。本文使用的数据集和网络结构,最优批量大小是128。

的γ参数是最关键的参数FL。改变的影响γ的性能提出LSTM网络调查。对损失的分布的影响异常心电图节拍是次要的。然而,对于正常的跳动,增加参数的值γ大量减少损失的正确分类正常节拍,允许模型异常心电图分类错误集中在跳动。后350时代,分类精度与测试数据集计算和相关表5六个γ值。其他学习参数表是一样的2。

从表中所示的结果5,我们可以看到,增加或减少γ没有改善的性能和FL LSTM网络。最好的γ提出了网络的参数值是2。

4所示。结果与讨论

在这项研究中,我们提出了一个LSTM网络结构实现的目标不平衡ECG信号的分类。心电图击败LSTM网络数据分类,然后,我们训练LSTM网络用FL。通过设置CE为基准,用FL分类的可行性不平衡心电图打证明。我们验证的有效性LSTM网络结构通过比较先进的方法。

绩效衡量模型的使用混淆矩阵进行评估。公元LSTM网络使用的成本函数计算测试集上的混淆矩阵,如图7(一)。混淆矩阵的对角值代表心电节拍的正确分类。(除了其他LSTM网络结构参数γ)在表是一样的2。LSTM网络使用FL的成本函数计算测试集上的混淆矩阵,如图7 (b)。其他LSTM网络参数表是一样的2。

通过比较和分析LSTM网络的混淆矩阵与CE和LSTM网络FL在图7,我们可以看到LSTM网络和FL心电图不平衡数据集上的执行比LSTM网络与CE。当FL检查,看来LSTM在大多数的类网络提供了更好的识别性能。检查CE, LSTM网络似乎提供降低识别的性能在大多数类。同时,CE, 41 APC节拍被误诊成NFL的节拍,( ),32 APC节拍被误诊成N垮掉的一代。这是因为没有很大的不同形状的两个节拍,但是有一个特定的,difficult-to-position波异常(例如,PR段扩展)。表6显示了公关,再保险、SP和F1 LSTM网络与CE和LSTM网络FL测试集。

通过比较结果表6LSTM网络的有效性,FL对不平衡的心电图数据验证。从这个表中,可以观察到与FL LSTM网络( )实现ACC的99.26%,99.26%,99.30%的公关,99.14%的SP和F1分数的99.27%。ACC LSTM网络与CE达到98.70%,98.70% RE, 98.05%的公关,SP的98.75%和98.36%F1分。虽然LSTM网络的性能改进和FL似乎不是大与CE LSTM网络相比,精度在实际诊断中,即使是一个小小的改进可以容纳巨大价值对人类健康和生命。

更直观地比较上述两种方法的有效性(CE和FL),我们使用precision-recall下分析结果曲线曲线(PR)。类别不平衡问题,公关曲线被认为是优于接受者操作特征曲线(ROC曲线)34]。如图8输入不平衡的心电图数据,每个类别的公关曲线是从分类结果用CE(如图8(一个))和FL(图所示8 (b)),分别。与CE相比,当LSTM网络提出了使用FL,大多数类别获得相对较高的公关曲线下面积(AUC)。因此,我们提出了用FL LSTM网络有效地解决心电图类别不平衡数据集。

来验证提出LSTM网络的鲁棒性和FL在嘈杂的环境中,网络也没有去噪分析,结果表中列出7。表的性能度量7显示与FL LSTM网络( )实现了分类结果接近去噪心电记录的结果。这表明运用网络的优点,也说明了网络的鲁棒性。

提出了网络在远程医疗场景中可以部署。心脏病患者的心电图数据收集通过可穿戴设备和通过互联网传输到云。通过该模型进行数据分析在这项研究帮助心脏病专家更准确和客观地诊断ECG信号。

该模型主要研究MIT-BIH心律失常数据库。根据AAMI标准(ANSI / AAMI EC57: 1998),所有的节拍MIT-BIH心律失常数据库分为五大类。然而,这并不总是可取的。心律失常的类型可以通过特定的心电图判断节拍和节奏的规律性类型。重复APC节拍可以成为危险的心律失常如心房纤颤患者潜在的结构性心脏问题。捆绑分支块阻碍电脉冲通过传导系统的正常通路心室。这导致异步心室收缩和心脏功能恶化,可能导致危及生命的情况。

评估提出了网络的性能,我们比较文献中一些先进的方法。我们记录的性能提出的网络模型(以粗体显示)和最近的代表技术使用MIT-BIH心律失常心电图击败分类数据库表8。

从表8,很明显,我们提议LSTM网络FL取得了良好的性能。之间的区别我们的研究和其他研究文献中,我们使用深度学习分类category-imbalanced心电图数据。class-imbalanced心电图心律失常的分类,我们提出了一个用FL LSTM网络。也有研究在文献中心电图不平衡数据的分类(24,25]。主要的区别在于,我们的研究使用FL,修改了损失函数,使LSTM网络更关注功能的异常心电图节拍学习容易误分类,提高心律失常分类的准确性。关于再保险,我们提议LSTM网络和FL取得了最好的结果在测试集。这意味着它有一个小数量的假阴性,即。常规心电图异常,胜是错误地分类为正常心电图胜。此外,该方法避免了问题的有效信息减少造成的欠采样方法或网络训练时间增加的问题造成的过采样方法。

我们提出的重点网络如下:(我)不需要特征提取与选择技术(2)我们的重要发现是,该方法可以提高分类准确率和心律失常的类别(3)我们的方法是健壮的没有去噪心电记录下

我们提出网络的缺点如下:(我)这项研究只在八个心电节拍类型进行(2)提出了网络训练阶段的时间成本

5。结论和未来的工作

在这项研究中,我们提出了一个与FL LSTM网络,提高训练效果的影响通过抑制大量简单正常心电图击败模型训练数据。结果表明,FL的LSTM网络实现了准确性,记得,精确,特异性,F1分的99.26%,99.26%,99.30%,99.14%,和99.27%,分别。MIT-BIH心律失常数据库的实验结果表明该网络的有效性和鲁棒性。该方法可以部署在远程医疗场景帮助心脏病专家更准确、客观地诊断ECG信号。

研究仅八心电图击败类型。归纳结果,各种类型和无数比应该包含在未来的研究中。我们还计划添加不同水平的噪声的ECG信号,讨论的LSTM FL模型的性能。

数据可用性

使用的数据来支持本研究的结果都包含在这篇文章。进一步请求数据可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本研究在一定程度上支持云计算的集成和大云计算和大数据的整合,创新科学教育(批准号2017 a11017),赛尔创新项目(批准号NGII20161202),重点研究、开发和推广项目的河南人(科技)(批准号182207310002),重点科技项目的新疆生产建设兵团(批准号2018 ab017)。

引用

1. 世界卫生组织,心血管疾病(心血管病)2019年,瑞士日内瓦,https://www.who.int/en/news-room/fact-sheets/detail/cardiovascular-diseases-(心血管病)。
2. 国家心脏、肺和血液研究所心律失常、国家心脏、肺和血液研究所的贝塞斯达,妈,美国,2019年,https://www.nhlbi.nih.gov/health-topics/arrhythmia。
3. 最小值,b . Lee, s . Yoon“深度学习在生物信息学中,”简报的生物信息学18卷,第869 - 851页,2017年。视图:谷歌学术搜索
4. d . Katircioglu-Ozturk h·A·Guvenir,乌鸦,和n Baykal“窗口时间序列特征提取方法,”计算机在生物学和医学卷,89年,第486 - 466页,2017年。视图:出版商的网站|谷歌学术搜索
5. y荣格和h·金”,PVC通过使用小波统计检测心电图监测过程中,“生物医学信号处理和控制36卷,第182 - 176页,2017年。视图:出版商的网站|谷歌学术搜索
6. d·h . Li元,x m . Ma d·崔和l .曹“遗传算法优化特性和神经网络的ECG信号分类,“科学报告,7卷,不。1,文章ID 41011, 2017。视图:出版商的网站|谷歌学术搜索
7. s . Raj k·c·雷和o . Shankar“心律失常击败使用难道和PSO优化SVM分类,“计算机在生物医学方法和项目卷,136年,第177 - 163页,2016年。视图:出版商的网站|谷歌学术搜索
8. m·m·卡萨斯·r·l·Avitia f . f . Gonzalez-Navarro j . a . Cardenas-Haro和m·a·瑞娜,”贝叶斯分类模型过早心室收缩检测心电图的痕迹,“医疗保健工程卷,2018篇文章ID 2694768, 7页,2018。视图:出版商的网站|谷歌学术搜索
9. y Bengio”,学习深度为人工智能架构,”机器学习的基础和趋势®,卷2,不。1、1 - 127、2009页。视图:出版商的网站|谷歌学术搜索
10. e . Maggiori y Tarabalka、g . Charpiat和p . Alliez“卷积神经网络大规模的遥感图像分类,”IEEE地球科学和遥感,55卷,不。2、645 - 657年,2017页。视图:出版商的网站|谷歌学术搜索
11. o . Russakovsky j .邓·h·苏et al .,“ImageNet大规模视觉识别的挑战。”国际计算机视觉杂志》上,卷115,不。3、211 - 252年,2015页。视图:出版商的网站|谷歌学术搜索
12. p, s .郭h . Zhang et al .,”研究改善深度信念网络预测心血管疾病,”医疗保健工程卷,2018篇文章ID 8954878、9页,2018。视图:出版商的网站|谷歌学术搜索
13. 美国r . Acharya s . l .哦,y Hagiwara et al .,“深卷积神经网络模式分类的心跳,“计算机在生物学和医学卷,89年,第396 - 389页,2017年。视图:出版商的网站|谷歌学术搜索
14. w·李和j·李,”当地的深空心电图击败分类,”IEEE传感器杂志,18卷,不。4、1656 - 1664年,2018页。视图:出版商的网站|谷歌学术搜索
15. o . Yıldırım p . Pławiak R.-S。棕褐色,u r . Acharya“心律失常心电图检测使用深卷积神经网络和长时间信号,”计算机在生物学和医学卷,102年,第420 - 411页,2018年。视图:出版商的网站|谷歌学术搜索
16. a . y . Hannun p . Rajpurkar m . Haghpanahi et al .,“Cardiologist-level心律失常检测和动态心电图使用深层神经网络在分类,“自然医学,25卷,不。1,第69 - 65页,2019。视图:出版商的网站|谷歌学术搜索
17. s . l .哦,e . y . k . Ng, r . s . Tan和美国r . Acharya”自动beat-wise心律失常诊断使用修改U-net扩展心电图描记的录音与异构的心律失常类型,“计算机在生物学和医学卷,105年,第101 - 92页,2019年。视图:出版商的网站|谷歌学术搜索
18. l . Ferrone和f . m . Zanzotto”象征性的、分布式的自然语言处理和分配表示深度学习的时代:一项调查显示,“2017年,https://arxiv.org/abs/1702.00764。视图:谷歌学术搜索
19. 答:坟墓,联合。穆罕默德,g .辛顿”与深复发性神经网络语音识别,”学报2013年IEEE国际会议音响、演讲和信号处理IEEE,页6645 - 6649年,温哥华,加拿大,2013年5月。视图:出版商的网站|谷歌学术搜索
20. O。Yildirim”一种新的小波序列基于深度双向LSTM网络模型对心电图信号分类,“计算机在生物学和医学卷,96年,第202 - 189页,2018年。视图:出版商的网站|谷歌学术搜索
21. o . Yildirim美国b . Baloglu R.-S。棕褐色,e . j . Ciaccio和美国r . Acharya“心律失常分类使用深编码特性的一种新方法和LSTM网络,”计算机在生物医学方法和项目卷,176年,第133 - 121页,2019年。视图:出版商的网站|谷歌学术搜索
22. s . l .哦,e . y . k . Ng, r . s . Tan和美国r . Acharya”自动诊断心律失常使用可变长度的CNN和LSTM技术心脏跳动时,“计算机在生物学和医学卷,102年,第287 - 278页,2018年。视图:出版商的网站|谷歌学术搜索
23. b .侯,j·杨,p . Wang和r .严”LSTM auto-encoder模型心电图心律失常分类为基础,“IEEE仪表和测量2019年出版社。视图:出版商的网站|谷歌学术搜索
24. h·r·Sanabila i魏仁芳,w . Jatmiko”生成过采样方法(基因组)呼吸暂停检测使用心电图数据,数据不平衡”《2016年国际会议上先进的计算机科学和信息系统玛琅,页572 - 577年,印度尼西亚,2016年10月。视图:出版商的网站|谷歌学术搜索
25. k . n . v . p . s . Rajesh和r . Dhuli”不平衡分类心电图胜使用重采样技术和演算法集成分类器,”生物医学信号处理和控制41卷,第254 - 242页,2018年。视图:出版商的网站|谷歌学术搜索
26. b·n·辛格和a . k .女子”最优小波基函数的选择应用于心电信号去噪,”数字信号处理,16卷,不。3、275 - 287年,2006页。视图:出版商的网站|谷歌学术搜索
27. 大肠Arrais小r . a . de Medeiros瓦伦汀,和g Bezerra巴,“实时检测QRS冗余离散小波变换的基础上,“IEEE拉丁美洲事务,14卷,不。4、1662 - 1668年,2016页。视图:出版商的网站|谷歌学术搜索
28. 问:秦,j·李,y曰,c .刘”一个适应性和时间心电图R-peak检测算法”,医疗保健工程ID 5980541条,卷。2017年,14页,2017。视图:出版商的网站|谷歌学术搜索
29. F.-M。Melgarejo-Meseguer,大肠Everss-Villalba F.-J。Gimeno-Blanes et al .,”击败检测性能长期心电图监控场景中,“传感器,18卷,不。5,1387年,页2018。视图:出版商的网站|谷歌学术搜索
30. h . Sak a高级,f . Beaufays”长期短期记忆递归神经网络架构大型声学建模、”《十五国际言语交际协会年会上新加坡,页338 - 342年,2014年9月。视图:谷歌学术搜索
31. T.-Y。林,p . Goyal r . Girshick k .他和p .美元,“焦损失密集的对象检测,”诉讼的IEEE模式分析与机器智能,第3007 - 2999页,威尼斯,意大利,2017年。视图:出版商的网站|谷歌学术搜索
32. t . Dozat“将Nesterov动量纳入亚当,”《2016年国际会议上学习表示2016年5月,波多黎各圣胡安。视图:谷歌学术搜索
33. a . l . Goldberger l·a·n·阿马拉尔l .玻璃et al。”PhysioBank、PhysioToolkit和生理网:组件的一个新的研究资源对于复杂的生理信号,”循环,卷101,不。23日,E215-E220, 2000页。视图:出版商的网站|谷歌学术搜索
34. j·戴维斯和m . Goadrich“precision-recall和roc曲线之间的关系,”学报》第23届国际会议上机器学习ACM,页233 - 240年,匹兹堡,宾夕法尼亚州,美国,2006年6月。视图:出版商的网站|谷歌学术搜索
35. 美国r . r . j . Martis Acharya, c . m . Lim和j·s .苏瑞”描述心律失常的心电图节拍使用离散余弦变换在PCA框架中,“以知识为基础的系统,45卷,第82 - 76页,2013年。视图:出版商的网站|谷歌学术搜索
36. p·沙玛和k·c·雷”,心电图打分类的有效方法。”信号处理专业,10卷,不。7,825 - 832年,2016页。视图:出版商的网站|谷歌学术搜索
37. j . a . Gutierrez-Gnecchi r . Morfin-Magana d Lorias-Espinoza et al .,“DSP-based心律失常分类使用小波变换和概率神经网络,”生物医学信号处理和控制32卷,44-56,2017页。视图:出版商的网站|谷歌学术搜索
38. W.-H。荣格和S.-G。李,“心律失常分类方法在利用加权资讯和健身的规则,”IRBM,38卷,不。3、138 - 148年,2017页。视图:出版商的网站|谷歌学术搜索
39. p . Pławiak和美国r . Acharya小说深遗传合奏心律失常的分类器检测使用心电图信号,”神经计算和应用,2019年,页1 - 25,出版社。视图:出版商的网站|谷歌学术搜索

版权

版权©2019摘要高等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。