Method Article

نموذج محول الشبكة العصبية التلافيفية للتنبؤ بعدم انتظام ضربات القلب المبكر وتصنيفه باستخدام إشارة مخطط كهربية القلب

DOI:

10.3791/68227

⸱

July 3rd, 2025

 ,  , 
1Jain University, 2Faculty of Education and Liberal Arts, Persiaran perdana BBN Putra Nolai, INTI international university

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يهدف النموذج المطور إلى تصنيف عدم انتظام ضربات القلب المبكر إلى فئات N و L و R و V و A. هنا ، يتم دمج جميع مجموعات البيانات لإنشاء مجموعة بيانات رئيسية ، والتي يستخدمها النموذج كمدخلات لإنتاج فئات مختلفة من عدم انتظام ضربات القلب كمخرجات.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وتتطلب أمراض القلب والأوعية الدموية، وخاصة عدم انتظام ضربات القلب، كسبب رئيسي للوفاة في جميع أنحاء العالم، إنشاء تقنيات دقيقة وآلية للتشخيص والكشف المبكر. لتحديد عدم انتظام ضربات القلب من إشارات مخطط كهربية القلب (ECG) ، تقدم هذه الورقة نموذج تصنيف قائم على التعلم العميق يركز على خمسة أنواع رئيسية من ضربات القلب: طبيعي (N) ، كتلة فرع الحزمة اليسرى (L) ، كتلة فرع الحزمة اليمنى (R) ، نبض الأذيني المبكر (A) ، وتقلص البطين المبكر (V). نحن نستفيد من إشارات الرصاص الأول من عدة مصادر ، مثل قواعد بيانات INCART 12-lead و Sudden Cardiac Death Holter و فوق البطيني و MIT-BIH عدم انتظام ضربات القلب ، مما ينتج عنه أكثر من 3.9 مليون تدريب و 112,575 قطاعا اختباريا.

تتضمن أمثلة إعداد البيانات 180 عينة ، وتجزئة النافذة الثابتة ، وتطبيع الحد الأدنى للحد الأقصى ، وموازنة الفئات باستخدام تقنية الإفراط في أخذ عينات الأقلية الاصطناعية (SMOTE). تستخدم البنية الهجينة طبقات المحولات لنمذجة التبعيات الزمنية والشبكات العصبية التلافيفية 1D (CNNs) لاستخراج الميزات المكانية. يقوم محسن Adam مع التسرب وتطبيع الدفعات لتنظيم النموذج بتدريب.

يتفوق النظام المقترح على طراز TN4 والمعايير المتطورة الأخرى ، حيث يحقق دقة ودقة ودرجة F1 بنسبة 99.99٪ في جميع الفئات. تم تحسين متانة الميزات بشكل أكبر من خلال تطبيق البنى الهجينة العميقة والشبكات العصبية التلافيفية ، والتي كانت مدفوعة بدراسات سابقة. يعمل النموذج المقترح على تطوير الرعاية الصحية الرقمية الفردية القائمة على الذكاء الاصطناعي وله وعد كبير بتحديد عدم انتظام ضربات القلب في الوقت الفعلي.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لا تزال أمراض القلب والأوعية الدموية واحدة من الشواغل الصحية الرئيسية على مستوى العالم ، وهي مسؤولة عن ما يقرب من 31٪ من الوفيات في جميع أنحاء العالم كل عام ، وفقا لمنظمة الصحة العالمية (WHO)1. تتضمن مجموعة فرعية كبيرة من هذه الحالات عدم انتظام ضربات القلب - عدم انتظام ضربات القلب الذي يمكن أن يتراوح من حميد إلى مهدد للحياة. غالبا ما يتميز عدم انتظام ضربات القلب بأوقات غير منتظمة. تساهم هذه الاضطرابات بشكل كبير في مراضة المرضى ووفياتهم ، مما يزيد من خطر الإصابة بمشاكل صحية خطيرة مثل السكتة الدماغية وفشل القلب والسكتة القلبية المفاجئة. لذلك يعد التحديد المبكر والتصنيف الدقيق لعدم انتظام ضربات القلب أمرا بالغ الأهمية لتحسين نتائج المرضى وإدارة تكاليف الرعاية الصحية والنهوض بجودة رعاية القلب2.

يظل تخطيط كهربية القلب (ECG) أداة تشخيصية رئيسية غير جراحية للكشف عن عدم انتظام ضربات القلب. من خلال التقاط النشاط الكهربائي للقلب كأشكال موجية بصرية ، يمكن تخطيط القلب الأطباء من تحديد الاختلافات الدقيقة التي قد تشير إلى أنماط معينة من عدم انتظام ضرباتالقلب 3. ومع ذلك ، فإن التفسير اليدوي لإشارات تخطيط القلب يستغرق وقتا طويلا وعرضة للتباين بسبب الاختلافات الفردية بين الممارسين ، مما يؤدي إلى هامش خطأ بشري. يتم تضخيم هذه التحديات عند التعامل مع مجموعات البيانات الشاملة أو التعرف على عدم انتظام ضربات القلب الدقيق. مع التحول العالمي نحو الرعاية الصحية الرقمية ، أصبحت الحاجة إلى أنظمة تشخيصية موثوقة ومؤتمتة قادرة على تقديم تحليل متسق لتخطيط القلب في الوقت الفعلي أمرا حيويا بشكل متزايد4.

تم تطبيق نماذج التعلم الآلي التقليدية على تحليل تخطيط القلب بنجاح معتدل. ومع ذلك ، فإن اعتمادهم على الميزات المصنوعة يدويا والخبرة الخاصة بالمجال يفرض قيودا ملحوظة. لمعالجة هذا القيد ، يستخدم النموذج تقنية الإفراط في أخذ عينات الأقلية الاصطناعية (SMOTE) ، والتي تولد نقاط بيانات تركيبية للفئات الممثلة تمثيلا ناقصا ، وبالتالي موازنة مجموعة البيانات وتحسين قدرة النموذج على التعميم عبر جميع أنواع نبضات القلب. يعزز تكامل SMOTE مع نموذج التعلم العميق الخاص بنا أداء التصنيف ، خاصة بالنسبة لعدم انتظام ضربات القلب النادر ، ويدعم أداة تشخيص أكثرإنصافا 5. الأهداف الأساسية لهذا البحث ثلاثية الأبعاد. أولا ، الهدف هو تطوير نموذج دقيق وقابل للتطوير قادر على اكتشاف عدم انتظام ضربات القلب في الوقت الفعلي ، مما يساهم في التحول العالمي نحو الرعاية الصحية الرقمية والشخصية. ثانيا ، لإثبات فعالية بنية CNN-Transformer الهجينة في تحليل تخطيط القلب ، وتسليط الضوء على قدرتها على التفوق على الأساليب التقليدية في كل من الدقة والمتانة6.

أخيرا ، الهدف هو تطوير نموذج له تطبيقات ذات مغزى في التشخيص السريري ، وتعزيز الكشف المبكر عن تشوهات القلب. تسعى هذه الدراسة إلى سد الفجوة بين تطورات التعلم العميق والتطبيقات الطبية العملية ، مما يضع نهجنا كأداة قيمة في متابعة رعاية القلب المحسنة ونتائج المرضى6.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. الحصول على مجموعات البيانات

  1. الحصول على مجموعات بيانات مخطط كهربية القلب (ECG) المتاحة للجمهور لتطوير نموذج التعلم العميق والتحقق من صحته لتصنيف عدم انتظام ضرباتالقلب 7.
  2. اجمع بين مجموعات بيانات Lead-I من قاعدة بيانات عدم انتظام ضربات القلب MIT-BIH ، وقاعدة بيانات عدم انتظام ضربات القلب فوق البطيني MIT-BIH ، وقاعدة بيانات عدم انتظام ضربات القلب INCART 12 الرئيسية في سانت بطرسبرغ ، وقاعدة بيانات هولتر للموت القلبي المفاجئ.
    ملاحظة: يتم اختيار مجموعات البيانات لتنوعها في التركيبة السكانية للمرضى وأنواع عدم انتظام ضربات القلب ، مما يضمن إمكانية تعميم النموذج عبر الحالات المتنوعة. توفر كل مجموعة بيانات تسجيلات تخطيط القلب المشروحة عالية الجودة ، والتي تغطي مجموعة من فئات نبضات القلب. تم استخراج بيانات Lead I فقط واستخدامها عبر جميع مجموعات البيانات لتوحيد المدخلات ، والحفاظ على الاتساق والتركيز على الإشارة الأكثر صلة من الناحية التشخيصية. كما هو موضح في الشكل 1 ، يقيس الرصاص الأول فرق الجهد بين الذراع الأيمن (القطب السالب) والذراع الأيسر (القطب الموجب) ، ويقيس الرصاص الثاني فرق الجهد بين الذراع الأيمن (القطب السالب) والساق اليسرى (القطب الموجب). يوضح الجدول 1 أن مجموعة البيانات الرئيسية يتم إنشاؤها عن طريق الجمع بين أربع مجموعات بيانات وإزالة القيم الفارغة، ويتم تسمية الملف باسم Alldata.CSV.

2. المعالجة المسبقة للبيانات

  1. قسم البيانات من Alldata.CSV إلى جزأين - التدريب والاختبار. في المعالجة المسبقة 2 ، قم بتصفية فئات N و L و R و A و V من Alldata.CSV ثم قسمها إلى جزأين - أجزاء التدريب والاختبار (الشكل 2).
  2. قسم إشارة تخطيط القلب الخاصة بكل مريض إلى نوافذ ثابتة سعة 180 مللي ثانية ، كل منها مشروحة وفقا لفئات عدم انتظام ضربات القلب المقابلة مثل فئات N و L و R و A و V (الشكل 3).
    ملاحظة: سمح هذا التجزئة بطول إدخال ثابت عبر العينات والتقط الخصائص الزمنية داخل كل جزء من نبضات القلب.
  3. اقرأ ملفات ECG الأولية بالتنسيق (.dat و .hea و .atr) باستخدام مكتبة Python.

3. التطبيع

  1. لضمان التوحيد في سعة الإشارة ، قم بتطبيع جميع بيانات تخطيط القلب المجزأة باستخدام تحجيم Min-Max ، وتحويل كل عينة إلى نطاق يتراوح بين 0 و 1.
    ملاحظة: تقنية التطبيع المستخدمة هنا هي MinmaxScaler8.

4. موازنة الفصل مع SMOTE

ملاحظة: التحدي الشائع في تصنيف عدم انتظام ضربات القلب هو عدم التوازن الطبقي الكبير ، حيث يفوق عدد ضربات القلب الطبيعية بشكل كبير الضربات غير الطبيعية.

  1. لمواجهة التحدي أعلاه ، قم بتطبيق تقنية الإفراط في أخذ عينات الأقليات الاصطناعية (SMOTE) على مجموعة التدريب ، والتي تولد عينات تركيبية لفئات الأقليات عن طريق الاستيفاء بين الحالات الحالية9.
    ملاحظة: يتم تعزيز قدرة النموذج على التعميم عبر جميع أنواع عدم انتظام ضربات القلب من خلال عينات اصطناعية جديدة ، والتي تضمن تمثيل كل فئة بشكل عادل.

5. تقسيم اختبار القطار

  1. بعد المعالجة المسبقة ، قم بتقسيم البيانات إلى مجموعات تدريب واختبار باستخدام تقسيم 70-30 ، مع التقسيم الطبقي للحفاظ على توزيع الفصل عبر المجموعات.
    ملاحظة: ضمن هذا الانقسام تمثيل كل فئة من فئات عدم انتظام ضربات القلب بشكل كاف في كل من مرحلتي التدريب والاختبار ، مما يسمح بتقييم موثوق لأداء النموذج.

6. تقسيم مجموعة البيانات وتوزيع الفئات

  1. قسم مجموعة البيانات النهائية إلى مجموعات تدريب واختبار، مع استخدام 70٪ من البيانات للتدريب و 30٪ للاختبار.
  2. قم بتطبيق SMOTE لموازنة توزيع الفئة ، مع التأكد من تمثيل كل نوع من أنواع عدم انتظام ضربات القلب بشكل كاف في كل من مجموعات التدريب والاختبار ، كما هو موضح في الجدول 2.
    ملاحظة: في المجموع ، يتم استخدام 3,966,620 قطعة تخطيط القلب للتدريب ، ويتم استخدام 112,575 قطعة تخطيط القلب لاختبار النموذج. ساهم هذا الحجم الكبير من البيانات ، إلى جانب تنوع أنواع عدم انتظام ضربات القلب ، في متانة النموذج في اكتشاف أنواع مختلفة من عدم انتظام ضربات القلب في إشارات تخطيط القلب في العالم الحقيقي.

7. المنهجية

  1. بنية النموذج
    1. لتحقيق تصنيف دقيق لعدم انتظام ضربات القلب ، قم بتنفيذ نموذج التعلم العميق الهجين الذي يشتمل على الشبكات العصبية التلافيفية 1D (CNNs) وطبقات المحولات.
      ملاحظة: تم تصميم بنية النموذج الهجين خصيصا للاستفادة من نقاط القوة في كل من الميزات المكانية والزمانية من إشارات تخطيط القلب. فهو يجمع بين إمكانات استخراج الميزات ونمذجة التسلسل.
  2. كتل الشبكة العصبية التلافيفية (CNN) 1D
    1. قم بإعداد كتلة CNN لتتكون من طبقتين تلافيفيتين 1D ، كل منهما متبوعة بوظيفة تنشيط ReLU وطبقة تجميع قصوى. تستخرج هذه الطبقات التبعيات المكانية من إشارة ECG المدخلة. لتحسين استخراج الميزات، أضف المزيد من وظائف تنشيط ReLU بعد كل خطوة تحويل في طبقات CNN10.
      ملاحظة: يمكن هذا التكوين النموذج من معرفة التبعيات المكانية داخل كل مقطع بشكل فعال.
    2. الطبقة التلافيفية الأولى: استخدم هذه الطبقة لتطبيق 32 مرشحا بحجم 3 على إشارة الإدخال. يتم التعبير عن العملية على النحو التالي:
      figure-protocol-1(1)
      حيث يمثل yi الإخراج ، wj هي الأوزان ، x (i + j) هو مقطع مدخل ECG ، b هو مصطلح التحيز ، و σ هي دالة التنشيط (ReLU ، في هذه الحالة) 11.
    3. طبقة التجميع: بعد كل الالتفاف ، قم بإعداد عملية تجميع قصوى لتقليل البعد المكاني بمعامل 2 ، معرف على النحو التالي:
      figure-protocol-2(2)
      ملاحظة: تحتفظ هذه العملية بأبرز الميزات مع تقليل التعقيد الحسابي.
    4. الطبقة التلافيفية الثانية: استخدم هذه الطبقة لتطبيق 64 مرشحا بحجم 3 على خرائط المعالم من الطبقة السابقة، واستخراج المعالم ذات المستوىالأعلى 12. قم بتطبيق وظيفة تنشيط ReLU بعد الالتفاف لإدخال اللاخطية:
      figure-protocol-3(3)
      1. طبقات التنشيط الإضافية: قم بتطبيق تنشيط ReLU في كل مرحلة وسيطة بعد الالتفاف لتعزيز القوة التعبيرية للشبكة ، مما يضمن تركيز النموذج على التنشيطات الإيجابية13.
    5. Dropout: حدد معدل انقطاع 0.5 في القسم14 للطبقة المتصلة بالكامل.
  3. كتلة المحولات:
    1. لاتباع هذا البروتوكول ، قم بإعداد كتلة المحولات لتشمل طبقتين من طبقات الانتباه الذاتي متعددة الرؤوس ، مما يمكن النموذج من التقاط التبعيات الزمنية عبر أجزاء مختلفة من إشارة ECG15.
    2. الانتباه الذاتي متعدد الرؤوس: تحسب هذه الآلية العلاقات بين كل زوج من عناصر التسلسل. بالنسبة لتسلسل مع الاستعلام Q والمفتاح K والقيمة V، احسب الانتباه على النحو التالي:
      figure-protocol-4 (4)
      حيث Q و K و V هي مصفوفات الاستعلام والمفتاح والقيمة ، على التوالي ، ويمثل dk أبعاد المتجهات الرئيسية.
      ملاحظة: من خلال السماح للنموذج بوزن أجزاء مختلفة وفقا لأهميتها ، تعزز هذه الآلية قدرة النموذج على التمييز بين عدم انتظام ضربات القلب ذات الخصائص الزمنية الدقيقة.
    3. وظائف التنشيط: استخدم ReLU بشكل صريح عبر الطبقات.
  4. تحويل المويجة المستمر (CWT):
    1. قبل تغذية البيانات في طبقات CNN ، قم بتطبيق تحويلات المويجة المستمرة لتحويل إشارات ECG إلى تمثيلات تردد زمني16.
      ملاحظة: يوفر هذا التحويل مجموعة ميزات أكثر شمولا من خلال التقاط اختلافات التردد بمرور الوقت ، والتي تعتبر ضرورية للتمييز بين أنواع عدم انتظام ضربات القلب المختلفة.
  5. عملية التدريب:
    1. لتدريب النموذج ، استخدم محسن Adam ، الذي يضبط معدل التعلم ديناميكيا بناء على اللحظتين الأولى والثانية من التدرج. حدد قاعدة التحديث ل Adam على النحو التالي:
      figure-protocol-5 (5)
      حيث mt و vt هما تقديران اللحظة الأولى والثانية ، α هو معدل التعلم ، و ε ثابت صغير لمنع القسمة على صفر17.
    2. قم بإجراء تدريب على أكثر من 100 حقبة ، بحجم دفعة 64 ، باستخدام التوقف المبكر للتخفيف من التجهيز الزائد.
      ملاحظة: تم إدخال بيانات التدريب في النموذج عبر الأداة المساعدة PyTorch DataLoader ، وتم تطبيق كل من التسرب وتطبيع الدفعات لتنظيم الشبكة وتحسين التقارب.
  6. ضبط المعلمة الفائقة
    1. قم بإجراء الضبط اليدوي باستخدام الإيقاف المبكر ومحسن Adam والتسرب وتطبيع الدفعات وحجم الدفعة 1024.
      ملاحظة: على الرغم من عدم ذكر البحث الشبكي أو البايزي صراحة في هذه الورقة ، فإن هذه الخيارات تعكس استراتيجيات الضبط العملية.
  7. تقنيات التحقق من الصحة
    1. استخدم تقسيم اختبار القطار الطبقي 70-30 بعد تطبيق SMOTE18.
      ملاحظة: بينما لا يتم استخدام k-fold ، يحافظ التقسيم الطبقي على توزيع الفئات ، والذي غالبا ما يكون كافيا مع مجموعات البيانات الكبيرة.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

مقاييس أداء النموذج المقترح
يتم حساب الدقة والحساسية والخصوصية ودرجة F1 للنموذج المقترح لكل فئة من فئات عدم انتظام ضربات القلب. يتم تقييم أداء النموذج على MIT-BIH وقواعد بيانات تخطيط القلب الأخرى ذات الصلة. وتتلخص النتائج الرئيسية على النحو التالي:

الدقة: حقق نموذج CNN-Transformer الهجين دقة بنسبة 99.32٪ على مجموعة بيانات MITDB و 97.15٪ في قواعد البيانات المدمجة ، مما يدل على متانة النموذج عبر مصادر ECG المختلفة19.

الحساسي...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تشير نتائج هذه الدراسة إلى أن نموذج CNN-Transformer الهجين يصنف بكفاءة عدم انتظام ضربات القلب بدقة عالية وحساسية وخصوصية ودرجة F1 ، متجاوزا بشكل ملحوظ نماذج CNN فقط و CNN-LSTM التقليدية. أدى دمج طبقات المحولات إلى تعزيز قدرة النموذج على التقاط التبعيات الزمنية ، وهو عنصر حاسم في تحليل تخطيط القلب. علاوة على ذلك ، توفر تحويلات المويجة المستمرة (CWT) خصائص تردد زمني واسعة النطاق ، مما يمكن طبقات CNN من التمييز بين التغيرات الدقيقة في شكل الموجة بين أنواع عدم انتظام ضربات القلب. تسلط هذه ال...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ليس لدى المؤلفين أي تضارب في المصالح للإعلان عنه.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أود أن أشكر الدكتورة آزاده أموزغار ، محاضرة أولى ، جامعة INTI الدولية ، على توفير الموارد عبر الإنترنت للتدريب على مجموعات البيانات.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
نظام(للتدريب) المعالج: AMD Ryzen 7 7840HS ، ذاكرة الوصول العشوائي لوحدة المعالجة المركزية: 16 جيجابايت ، ذاكرة الوصول العشوائي لوحدة معالجة الرسومات: 6GBNVIDIA GeForce RTX 3050
متوازنةالتعلم المستخدمة لإعادة تشكيل
pytorchPyTorch هي حزمة Python توفر ميزتين رفيعتي المستوى:
- حساب Tensor (مثل NumPy) مع تسريع GPU قوي
- شبكات عصبية عميقة مبنية على أ نظام autograd القائم على الشريط
Seaborn Seabornهي مكتبة تصور Python تعتمد على matplotlib.
يستخدم WFDBلقراءة وكتابة ومعالجة ورسم بيانات الإشارة الفسيولوجية والتعليقات التوضيحية
الكمبيوتر حزمة python غير

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Jamil, S., Rahman, M. A. Novel deep-learning-based framework for the classification of cardiac arrhythmia. J Imaging. 9 (3), 70(2020).
  2. Reegu, F. A., et al. Blockchain-based framework for interoperable electronic health records for an improved healthcare system. Sustainability. 15 (8), 6337(2023).
  3. Aseeri, A. O. Uncertainty-aware deep learning-based cardiac arrhythmias classification model of electrocardiogram signals. Computers. 11 (6), 82(2021).
  4. Tesfai, H., et al. Lightweight ShuffleNet-based CNN for arrhythmia classification. IEEE Access. 12, 111842-111854 (2022).
  5. Pandey, S. K., Janghel, R. R. Automatic detection of arrhythmia from imbalanced ECG database using CNN model with SMOTE. Australas Phys Eng Sci Med. 42 (4), 1129-1139 (2019).
  6. Hu, R., Chen, J., Zhou, L. Transformer-based deep neural network for arrhythmia detection using continuous ECG signals. Comput Biol Med. 105, 325(2022).
  7. Dang, H., et al. Novel deep arrhythmia-diagnosis network for atrial fibrillation classification using electrocardiogram signals. IEEE Access. 7, 75577-75590 (2019).
  8. Li, J., Zhang, Y., Gao, L., Li, X. Arrhythmia classification using biased dropout and morphology-rhythm feature with incremental broad learning. IEEE Access. 9, 66132-66140 (2021).
  9. Joddoa, A. S. Heart disease prediction system using SMOTE-balanced dataset and decision classifier. AIP Conf. Proc. 2834, 050006(2023).
  10. Li, Y., Qian, R., Li, K. Inter-patient arrhythmia classification with improved deep residual convolutional neural network. Comput Methods Programs Biomed. 214, 106582(2022).
  11. Kiranyaz, S., Ince, T., Gabbouj, M. Real-time patient-specific ECG classification by 1-D convolutional neural networks. IEEE Trans Biomed Eng. 63 (3), 664-675 (2016).
  12. Attention is all you need. Vaswani, A., et al. Proceedings of the 31st International Conference on Neural Information Processing Systems, Long Beach, California, USA, , 6000-6010 (2017).
  13. Rajpurkar, P., et al. Cardiologist-level arrhythmia detection with convolutional neural networks. arXiv. , preprint arXiv:1707.01836 (2017).
  14. Zihlmann, M., Perekrestenko, D., Tschannen, M. Convolutional recurrent neural networks for electrocardiogram classification. arXiv. , preprint arXiv:1710.06122 (2018).
  15. Kim, D., Lee, K. Novel hybrid CNN-transformer model for arrhythmia detection without R-peak identification using Stockwell transform. Sci Rep. 15, 7817(2025).
  16. Diker, A., Aydin, K. Transformer-based attention model for arrhythmia detection using ECG signals. Biomed Signal Process Control. 68, 102679(2021).
  17. Convolutional neural network hyperparameter tuning with Adam optimizer for ECG classification. Sen, S. Y., Ozkurt, N. 2020 Innovations in Intelligent Systems and Applications Conference (ASYU), , 50717(2020).
  18. Smote, N. V. C. Synthetic minority over-sampling technique for handling class imbalance. J Artif Intell Res. 6, 321-357 (2002).
  19. Xia, Y., Wulan, N., Wang, K., Zhang, H. Detecting atrial fibrillation by deep convolutional neural networks. Comput Biol Med. 116, 103345(2020).
  20. Mohonta, S. C., Motin, M. A., Kumar, D. K. Electrocardiogram-based arrhythmia classification using wavelet transform with deep learning model. Sensing Bio-Sensing Res. 37, 100502(2022).
  21. Oh, S. L., Ng, E. Y. K., Tan, R. S., Acharya, U. R. Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable-length heart beats. Comput Biol Med. 102, 278-287 (2018).
  22. Izci, E., Ozdemir, M. A., Degirmenci, M., Akan, A. Cardiac arrhythmia detection from 2D ECG images by using deep learning technique. 2019 Medical Technologies Congress (TIPTEKNO). , 1-4 (2019).
  23. Zheng, Z., Chen, Z., Hu, F., Zhu, J., Tang, Q., Liang, Y. Automatic diagnosis of arrhythmias using a combination of CNN and LSTM technology. Electronics. 9 (1), 121(2020).
  24. Isin, A., Ozdalili, S. Cardiac arrhythmia detection using deep learning. Procedia Comput Sci. 120, 268-275 (2017).
  25. Huang, J., Chen, B., Yao, B., He, W. ECG arrhythmia classification using STFT-based spectrogram and convolutional neural network. IEEE Access. 7, 92871-92880 (2019).
  26. Wang, T., Lu, C., Sun, Y., Yang, M., Liu, C., Ou, C. Automatic ECG classification using continuous wavelet transform and convolutional neural network. Entropy. 23 (1), 119(2021).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Arrhythmia ClassificationElectrocardiogram SignalConvolutional Neural NetworkTransformer ModelDeep Learning ModelHeartbeat ClassificationLead I ECGTemporal DependenciesClass BalancingDigital Healthcare
Video Coming Soon

Related Articles