【论文阅读笔记】Automated detection of arrhythmias using different intervals of tachycardia ecg segments wit

一、摘要

本文使用一个包含11层深的CNN，其中输出层包含4个神经元即(Nsr), Afib,
Afl, 和Vfib 类别。在本工作中，使用了2s和5s的ECG信号，并没有做QRS检测。在两秒的心电图节段中分别获得了92.5%、98.09%和93.13%的准确度、灵敏性和特异性。在五秒的ECG上分别获得了94.9%、99.13%和81.44%的准确性、灵敏度和特异性。

二、数据

V fib（心室颤动）数据从Creighton
University的心室心律失常心电信号中获得，A fib（房颤）和Afl（心房扑动）心电图从MIT-BIH心房颤动信号中获得；Afib (房颤), Afl (心房扑动), and Nsr (正常窦性心律) ECG 信号从MIT-BIH心律失常数据库中获得；

三、方法

数据预处理

先对来自MIT-BIH的360Hz的数据进行下采样到250Hz，然后对所有的ECG信号进行去噪，并用Daubechies小波去除基线。此外根据心脏状况对ECG信号进行分割和分类，并从公共数据中检索出指定的注释。将四类ECG信号分割为netA（2s片段）和netB（5s片段）。在将ECG分段输入一维CNN中测试之前，先对分段进行Z-score进行规范化，解决振幅缩放问题并消除偏移影响。

NetA对应的CNN结构

NetB对应CNN结构

对于net A和net B，输入层（第0层）卷积为27的内核大小，以生成第1层。大小为2的最大池应用于每个feature maps（第2层）。然后，将来自第2层的特征映射分别卷积为14（net a）和15（net B）的核大小，得到第3层。大小为2的最大池再次应用于每个feature
maps（第4层）。然后，将来自第4层的特征映射与3（net a）和4（net B）的核大小卷积，分别在neta和netb中生成第5层。大小为2的最大池应用于每个feature maps（第6层）。然后，再次将来自第6层的特征映射卷积为4（net a）和3（net B）的内核大小，从而获得针对neta和netb的第7层。大小为2的最大池再次应用于每个feature maps（第8层）。最后，第8层每个特征映射的神经元与第9层的30个神经元完全连接，第10层和第11层的10个和4个输出也完全连接。

leaky ReLUs用作层1、3、5、7、9和10的激活函数。我们对最后一层（第11层）使用了softmax函数，对第1、3、5、7、9和10层的权重使用了Xavier初始化。

批处理size为10的标准反向传播用于随机传播。权重根据一下等式更新：

其中w，l，n， λ，ts，x 和c分别表示权重，层数，学习率，正则化参数，训练样本总数，批次大小和成本函数。另外，通过以下等式更新偏差：

扫描二维码关注公众号，回复： 9885562 查看本文章

这项工作中，使用了学习率、正则化和动量参数。值分别为0.002、0.2和0.7.

在每一轮训练周期结束后，我们的算法对CNN模型进行了测试。在每个历元之后，我们使用30%的训练集（90%）来验证算法。总共运行了20个阶段的训练和测试迭代。在图5中可以看到用于训练和测试程序的ECG段的分布图。

我们在这项工作中使用了十次交叉验证[9]。因此，netA段（21709段）和netB段（8683段）的总心电图分段被分成十个相等的部分。十分之九用于训练，其余（十分之一）的心电图片段用于测试。通过移动测试数据部分，重复此过程十次。在每一个环节中，都要评估其特异性、敏感性和准确性。所有十倍的平均值给出了系统的总体性能。

四、结果

表5和表6分别显示了两秒和五秒段的混淆矩阵。从表5可以看出，93.13%的心电图段被正确地归类为Nsr类。92.89%的心电图片段被正确分类为Afib。共有8.64%的Afl心电图片段被错误地分为Nsr、Afib和Vfib。此外，超过三分之一的Vfib被错误地归类为Afib。

同样在表6中，18.56%的Nsr心电图片段被错误地归类为Afib和Afl。此外，7.11%的Afib段被错误地分为Nsr段、Afl段和Vfib段。在736个Afl心电图片段中，86.96%被准确地归类为Afl。再次，超过三分之一的Vfib部门被错误地归类为Afib。

表7列出了净A和净B的总体分类结果。净a法的准确率为92.50%，灵敏度和特异性分别为98.09%和93.13%，平均准确率为94.90%，灵敏度和特异性分别为99.13%和81.44%。

五、讨论

本研究使用的Vfib节段（表2）数量太少（A网和B网分别为163和65个ECG节段），导致敏感性和PPV较低。因此，CNN的性能受到每个类中使用的主题（数据）数量的影响。

实验表明QRS波的检测对于心律失常的分类是不必要的。将心电信号分割为两秒和五秒段输入CNN结构中实现心律失常自动检测更为现实。

算法亮点如下：

1. CNN具有平移不变性，因此本研究不需要QRS检测的预处理。

2. 这项工作不需要QRS检测。

3. 特征提取、特征选择和分类步骤被合并到CNN算法中。

4. 本文采用十倍交叉验证法对CNN的性能进行评价。因此，报告的性能是健壮的

缺点是：

1. 需要大量训练数据

2. 训练时长较长