Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Konwolucyjny model transformatora sieci neuronowej do przewidywania i klasyfikacji wczesnej arytmii za pomocą sygnału elektrokardiogramu

869 wyświetleń

⸱

DOI:

10.3791/68227

⸱

3 lipca 2025

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

W tym artykule

Podsumowanie

Opracowany model ma na celu klasyfikację wczesnych zaburzeń rytmu serca do klas N, L, R, V i A. W tym miejscu wszystkie zestawy danych są łączone w celu utworzenia głównego zestawu danych, który model używa jako danych wejściowych do tworzenia różnych klas arytmii jako danych wyjściowych.

Streszczenie

Jako główna przyczyna zgonów na całym świecie, choroby sercowo-naczyniowe - zwłaszcza arytmie - wymagają stworzenia precyzyjnych i zautomatyzowanych technologii do wczesnej diagnozy i wykrywania. Aby zidentyfikować arytmie na podstawie sygnałów elektrokardiogramu (EKG), w niniejszym artykule przedstawiono model klasyfikacyjny oparty na głębokim uczeniu, który koncentruje się na pięciu głównych typach bicia serca: normalnym (N), bloku lewej odnogi pęczka Hisa (L), bloku prawej odnogi pęczka Hisa (R), przedwczesnego pobudzenia przedsionków (A) i przedwczesnego skurczu komór (V). Wykorzystujemy sygnały Lead I z kilku źródeł, takich jak bazy danych INCART 12-odprowadzeniowe, Holtera Nagłej Śmierci Sercowej, Nadkomorowej i MIT-BIH Arytmia, uzyskując ponad 3,9 miliona szkoleń i 112 575 segmentów testowych.

Przykłady przygotowania danych obejmują próbkę 180, segmentację w oknie stałym, normalizację Min-Max oraz równoważenie klas za pomocą Techniki Nadpróbkowania Syntetycznej Mniejszości (SMOTE). Architektura hybrydowa wykorzystuje warstwy transformatora do modelowania zależności czasowych oraz konwolucyjne sieci neuronowe 1D (CNN) do wyodrębniania cech przestrzennych. Optymalizator Adama z dropoutem i normalizacją partii na potrzeby regularyzacji trenuje model.

Proponowany system przewyższa model TN4 i inne najnowocześniejsze wzorce, osiągając 99,99% dokładności, precyzji i wyniku F1 we wszystkich klasach. Niezawodność funkcji została dodatkowo poprawiona dzięki zastosowaniu głębokich architektur hybrydowych i konwolucyjnych sieci neuronowych, które były motywowane wcześniejszymi badaniami. Sugerowany paradygmat rozwija opartą na sztucznej inteligencji, zindywidualizowaną cyfrową opiekę zdrowotną i jest bardzo obiecujący w zakresie skalowalnej identyfikacji arytmii w czasie rzeczywistym.

Wprowadzenie

Choroby układu krążenia (CVD) pozostają jednym z głównych problemów zdrowotnych na świecie, odpowiedzialnym za prawie 31% zgonów na całym świecie każdego roku, według Światowej Organizacji Zdrowia (WHO)1. Znaczna podgrupa tych przypadków dotyczy arytmii - nieprawidłowości w rytmie serca, które mogą wahać się od łagodnych do zagrażających życiu. Arytmie często charakteryzują się nieregularnymi czasami. Zakłócenia te w znacznym stopniu przyczyniają się do zachorowalności i śmiertelności pacjentów, zwiększając ryzyko poważnych problemów zdrowotnych, takich jak udar, niewydolność serca i nagłe zatrzymanie krążenia. Wczesna identyfikacja i dokładna klasyfikacja arytmii mają zatem kluczowe znaczenie dla poprawy wyników leczenia pacjentów, zarządzania kosztami opieki zdrowotnej i poprawy jakości opieki kardiologicznej2.

Elektrokardiografia (EKG) pozostaje kluczowym nieinwazyjnym narzędziem diagnostycznym do wykrywania arytmii. Rejestrując aktywność elektryczną serca w postaci fal wizualnych, EKG umożliwia klinicystom identyfikację subtelnych zmian, które mogą wskazywać na określone wzorce arytmii3. Jednak ręczna interpretacja sygnałów EKG jest czasochłonna i podatna na zmienność ze względu na indywidualne różnice między lekarzami, co wprowadza margines błędu ludzkiego. Wyzwania te nasilają się podczas pracy z obszernymi zestawami danych lub rozpoznawania niuansów arytmii. Wraz z globalnym przejściem w kierunku cyfrowej opieki zdrowotnej, potrzeba niezawodnych i zautomatyzowanych systemów diagnostycznych zdolnych do dostarczania spójnych analiz EKG w czasie rzeczywistym staje się coraz bardziej oczywista4.

Tradycyjne modele uczenia maszynowego były stosowane do analizy EKG z umiarkowanym powodzeniem; jednak ich poleganie na ręcznie opracowanych funkcjach i specjalistycznej wiedzy specjalistycznej stwarza znaczące ograniczenia. Aby rozwiązać to ograniczenie, model wykorzystuje technikę nadmiernego próbkowania mniejszości syntetycznej (SMOTE), która generuje syntetyczne punkty danych dla niedostatecznie reprezentowanych klas, równoważąc w ten sposób zestaw danych i poprawiając zdolność modelu do uogólniania wszystkich typów pulsu. Integracja SMOTE z naszym modelem głębokiego uczenia zwiększa wydajność klasyfikacji, szczególnie w przypadku rzadkich arytmii, i wspiera bardziej sprawiedliwe narzędzie diagnostyczne5. Główne cele tych badań są trojakie. Po pierwsze, celem jest opracowanie dokładnego, skalowalnego modelu zdolnego do wykrywania arytmii w czasie rzeczywistym, co przyczyni się do globalnego przejścia na cyfrową i spersonalizowaną opiekę zdrowotną. Po drugie, zademonstrowanie skuteczności hybrydowej architektury CNN-Transformer w analizie EKG, podkreślając jej potencjał do przewyższania tradycyjnych metod zarówno pod względem dokładności, jak i solidności6.

Na koniec, celem jest opracowanie modelu o sensownych zastosowaniach w diagnostyce klinicznej, zwiększając wczesne wykrywanie nieprawidłowości w pracy serca. To badanie ma na celu wypełnienie luki między postępami w głębokim uczeniu się a praktycznymi zastosowaniami medycznymi, pozycjonując nasze podejście jako cenne narzędzie w dążeniu do poprawy opieki kardiologicznej i wyników pacjentów6.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

1. Pozyskiwanie zbiorów danych

  1. Pozyskać publicznie dostępne zestawy danych elektrokardiograficznych (EKG) w celu opracowania i walidacji modelu głębokiego uczenia do klasyfikacji arytmii7.
  2. Połączyć zestawy danych z odprowadzenia I pochodzące z MIT-BIH Arrhythmia Database, MIT-BIH Supraventricular Arrhythmia Database, St. Petersburg INCART 12-lead Arrhythmia Database oraz Sudden Cardiac Death Holter Database.
    UWAGA: Zestawy danych wybrano ze względu na różnorodność demograficzną pacjentów i typów arytmii, aby zapewnić zdolność modelu do generalizacji w różnych przypadkach. Każdy zestaw danych dostarcza wysokiej jakości adnotowane zapisy EKG, obejmujące szereg klas rytmu serca. We wszystkich zestawach danych wyodrębniono i wykorzystano wyłącznie dane z odprowadzenia I w celu ujednolicenia danych wejściowych, zachowania spójności i skupienia się na sygnale o największym znaczeniu diagnostycznym. Jak pokazano na Rysunku 1, odprowadzenie I mierzy różnicę potencjałów między prawym ramieniem (elektroda ujemna) a lewym ramieniem (elektroda dodatnia), a odprowadzenie II mierzy różnicę potencjałów między prawym ramieniem (elektroda ujemna) a lewą nogą (elektroda dodatnia). Tabela 1 ilustruje, że główny zestaw danych powstał poprzez połączenie czterech zbiorów danych i usunięcie wartości pustych, a plik został nazwany Alldata.CSV.

2. Przetwarzanie wstępne danych

  1. Podziel dane z pliku Alldata.CSV na dwie części: treningową i testową. W etapie wstępnego przetwarzania 2 przefiltruj klasy N, L, R, A, V z pliku Alldata.CSV, a następnie podziel je na część treningową i testową (Rysunek 2).
  2. Podziel sygnał EKG każdego pacjenta na okna o stałej długości 180 ms, z których każde zostanie przypisane do odpowiadającej mu klasy arytmii, takiej jak klasy N, L, R, A i V (Rysunek 3).
    UWAGA: Segmentacja ta zapewniła spójną długość wejścia dla wszystkich próbek i pozwoliła uchwycić charakterystykę czasową w obrębie każdego segmentu uderzenia serca.
  3. Odczytaj surowe pliki EKG w formatach (.dat, .hea i .atr) przy użyciu biblioteki języka Python.

3. Normalizacja

  1. Aby zapewnić jednolitość amplitudy sygnału, znormalizować wszystkie posegmentowane dane EKG za pomocą skalowania Min-Max, przekształcając każdą próbkę do zakresu od 0 do 1.
    UWAGA: Zastosowana tutaj technika normalizacji to MinmaxScaler8.

4. Równoważenie klas za pomocą SMOTE

UWAGA: Powszechnym wyzwaniem w klasyfikacji arytmii jest znaczna nierównowaga klas, w której prawidłowe rytmy serca znacznie przeważają nad tymi nieprawidłowymi.

  1. Aby rozwiązać powyższy problem, zastosuj technikę SMOTE (Synthetic Minority Over-sampling Technique) do zbioru treningowego, która generuje syntetyczne próbki dla klas mniejszościowych poprzez interpolację między istniejącymi instancjami9.
    UWAGA: Zdolność modelu do generalizacji dla wszystkich typów arytmii jest zwiększona dzięki nowym syntetycznym próbkom, które gwarantują sprawiedliwą reprezentację każdej klasy.

5. Podział zbioru treningowego i testowego

  1. Po wstępnym przetwarzaniu podziel dane na zbiór treningowy i testowy w stosunku 70-30, stosując stratyfikację w celu zachowania rozkładu klas w obu zbiorach.
    UWAGA: Taki podział zapewnił odpowiednią reprezentację każdej klasy arytmii zarówno w fazie treningowej, jak i testowej, co pozwoliło na rzetelną ocenę wydajności modelu.

6. Podział zbioru danych i rozkład klas

  1. Podziel końcowy zbiór danych na zbiór treningowy i testowy, wykorzystując 70% danych do treningu i 30% do testów.
  2. Zastosuj metodę SMOTE w celu zrównoważenia rozkładu klas, zapewniając odpowiednią reprezentację każdego typu arytmii zarówno w zbiorze treningowym, jak i testowym, zgodnie z Tabelą 2.
    UWAGA: Łącznie do treningu wykorzystano 3 966 620 segmentów EKG, a do testowania modelu 112 575 segmentów EKG. Tak duża objętość danych, wraz z różnorodnością typów arytmii, przyczyniła się do odporności modelu w wykrywaniu różnych rodzajów arytmii w rzeczywistych sygnałach EKG.

7. Metodologia

  1. Architektura modelu
    1. W celu uzyskania dokładnej klasyfikacji arytmii należy zaimplementować hybrydowy model głębokiego uczenia składający się z jednowymiarowych splotowych sieci neuronowych (1D CNN) oraz warstw Transformera.
      UWAGA: Hybrydowa architektura modelu została zaprojektowana specjalnie tak, aby wykorzystać zalety obu podejść w analizie cech przestrzennych i czasowych sygnałów EKG. Łączy ona możliwości ekstrakcji cech z modelowaniem sekwencji.
  2. Bloki jednowymiarowej splotowej sieci neuronowej (1D-CNN)
    1. Skonfiguruj blok CNN tak, aby składał się z dwóch jednowymiarowych warstw splotowych, z których każda jest poprzedzona funkcją aktywacji ReLU oraz warstwą max-pooling. Warstwy te ekstrahują zależności przestrzenne z wejściowego sygnału EKG. Aby zwiększyć efektywność ekstrakcji cech, dodaj więcej funkcji aktywacji ReLU po każdym kroku transformacji w warstwach CNN10.
      UWAGA: Taka konfiguracja umożliwia modelowi skuteczną naukę zależności przestrzennych w obrębie każdego segmentu.
    2. Pierwsza warstwa splotowa: Użyj tej warstwy, aby zastosować 32 filtry o rozmiarze 3 do sygnału wejściowego. Operacja ta jest wyrażona jako:
      Funkcja aktywacji sieci neuronowej, równanie yi=σ(Σwj·x{i+j}+b), formuła obliczeniowa modelu. (1)
      Gdzie yi reprezentuje wyjście, wj są wagami, x(i+j) to wejściowy segment EKG, b jest członem obciążenia (bias), a σ to funkcja aktywacji (w tym przypadku ReLU)11.
    3. Warstwa pooling: Po każdym splotcie ustaw operację max-pooling, aby zredukować wymiar przestrzenny o czynnik 2, zdefiniowaną jako:
      Równanie y=max(x_{2i},x_{2i+1}), optymalizacja matematyczna, wybór wartości maksymalnych (2)
      UWAGA: Operacja ta zachowuje najważniejsze cechy, jednocześnie redukując złożoność obliczeniową.
    4. Druga warstwa splotowa: Użyj tej warstwy, aby zastosować 64 filtry o rozmiarze 3 do map cech z poprzedniej warstwy, ekstrahując cechy wyższego poziomu12. Po splotcie zastosuj funkcję aktywacji ReLU, aby wprowadzić nieliniowość:
      Formuła funkcji aktywacji ReLU \(y'_i = \max(0,y_i)\) w matematyce sieci neuronowych. (3)
      1. Dodatkowe warstwy aktywacji: zastosuj aktywację ReLU na każdym etapie pośrednim po splotach, aby zwiększyć moc ekspresyjną sieci, zapewniając, że model skupia się na dodatnich aktywacjach13.
    5. Dropout: Określ współczynnik Dropout na poziomie 0,5 w sekcji warstwy w pełni połączonej14.
  3. Blok Transformera:
    1. Postępując zgodnie z niniejszym protokołem, skonfiguruj blok Transformera tak, aby obejmował dwie warstwy wielogłowicowej samoatencji (multi-head self-attention), co umożliwi modelowi uchwycenie zależności czasowych pomiędzy różnymi częściami sygnału EKG15.
    2. Wielogłowicowa samoatencja: Mechanizm ten oblicza relacje między każdą parą elementów sekwencji. Dla sekwencji z zapytaniem Q, kluczem K i wartością V, oblicz atencję jako:
      Formuła mechanizmu atencji: Attention(Q,K,V)=softmax((QKᵀ)/√dₖ)V; koncepcja modelu transformera. (4)
      Gdzie Q, K i V to odpowiednio macierze zapytań, kluczy i wartości, a dk reprezentuje wymiarowość wektorów klucza.
      UWAGA: Pozwalając modelowi na nadawanie wag różnym segmentom zgodnie z ich istotnością, mechanizm ten zwiększa zdolność modelu do odróżniania arytmii o subtelnych charakterystykach czasowych.
    3. Funkcje aktywacji: Zastosuj jawnie ReLU w wszystkich warstwach.
  4. Ciągła transformata falkowa (CWT):
    1. Przed wprowadzeniem danych do warstw CNN, zastosuj ciągłe transformaty falkowe, aby przekształcić sygnały EKG w reprezentacje czasowo-częstotliwościowe16.
      UWAGA: Transformacja ta zapewnia bardziej kompleksowy zestaw cech poprzez uchwycenie zmian częstotliwości w czasie, co jest kluczowe dla rozróżniania poszczególnych typów arytmii.
  5. Proces uczenia:
    1. Do uczenia modelu użyj optymalizatora Adam, który dynamicznie dostosowuje tempo uczenia na podstawie pierwszego i drugiego momentu gradientu. Zdefiniuj regułę aktualizacji dla Adam jako:
      Formuła spadku gradientowego, równanie aktualizacji θ, optymalizacja, zbieżność algorytmu. (5)
      Gdzie mt i vt  to estymacje pierwszego i drugiego momentu, α to tempo uczenia, a ε to mała stała zapobiegająca dzieleniu przez zero17.
    2. Przeprowadź uczenie przez 100 epok, przy rozmiarze partii (batch size) wynoszącym 64, wykorzystując wczesne zatrzymywanie (early stopping) w celu ograniczenia przeuczenia.
      UWAGA: Dane treningowe były dostarczane do modelu za pomocą narzędzia PyTorch DataLoader, a zarówno dropout, jak i normalizacja wsadowa (batch normalization) zostały zastosowane w celu regularyzacji sieci i poprawy zbieżności.
  6. Dostrajanie hiperparametrów
    1. Przeprowadź ręczne dostrajanie z wykorzystaniem wczesnego zatrzymywania, optymalizatora Adam, dropoutu, normalizacji wsadowej oraz rozmiaru partii 1024.
      UWAGA: Chociaż w niniejszej pracy nie wspomniano wprost o przeszukiwaniu siatkowym (grid search) lub bayesowskim, wybory te odzwierciedlają praktyczne strategie dostrajania.
  7. Techniki walidacji
    1. Zastosuj stratyfikowany podział zbioru treningowego i testowego w stosunku 70-30 po zastosowaniu metody SMOTE18.
      UWAGA: Mimo że nie zastosowano walidacji krzyżowej k-krotnej, stratyfikacja zachowuje rozkład klas, co przy dużych zbiorach danych jest często wystarczające.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Metryki wydajności proponowanego modelu
Dokładność, czułość, specyficzność oraz wynik F1 proponowanego modelu są obliczane dla każdej klasy arytmii. Wydajność modelu oceniana jest na podstawie baz danych MIT-BIH oraz innych istotnych baz EKG. Główne wyniki podsumowano następująco:

Dokładność: hybrydowy model CNN-Transformer osiągnął dokładność 99,32% w zbiorze danych MITDB oraz 97,15% w połączonych bazach danych, co pokazuje odporność modelu na różnorodne źródła sygnałów E...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Wyniki tego badania wskazują, że hybrydowy model CNN-Transformer biegle klasyfikuje arytmie EKG z podwyższoną dokładnością, czułością, swoistością i wynikiem F1, znacznie przewyższając konwencjonalne modele tylko CNN i CNN-LSTM. Włączenie warstw transformatora zwiększyło zdolność modelu do uchwycenia zależności czasowych, co jest kluczowym elementem analizy EKG. Co więcej, ciągłe transformacje falkowe (CWT) zapewniają obszerną charakterystykę czasowo-częstotliwościową, umożliwiając warstwom CNN rozróżnianie subtelnych zm...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają do zadeklarowania konfliktu interesów.

Podziękowania

Chciałbym podziękować dr Azadeh Amoozegar, starszemu wykładowcy na Międzynarodowym Uniwersytecie INTI, za udostępnienie zasobów online do szkolenia na zestawach danych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
System(do treningu) Procesor: AMD Ryzen 7 7840HS, PROCESOR RAM: 16 GB, GPU RAM: 6 GB Pakiet Pythona NVIDIA GeForce RTX 3050
z niezrównoważonym uczeniem sięużywany do ponownego próbkowania
PyTorchPyTorch to pakiet języka Python, który zapewnia dwie funkcje wysokiego poziomu:
- Obliczenia tensorowe (takie jak NumPy) z silnym przyspieszeniem GPU
- Głębokie sieci neuronowe zbudowane na oparty na taśmach system autograd
seabornSeaborn to biblioteka wizualizacji Pythona oparta na matplotlib. 
WFDBsłuży do odczytu, zapisu, przetwarzania i wykreślania sygnałów fizjologicznych i danych adnotacji
komputerowy

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Klasyfikacja arytmiimodel g bokiego uczeniaklasyfikacja uderze sercaEKG odprowadzenia Izale no ci czasowebalansowanie klascyfrowa opieka zdrowotna

Ten artykuł został opublikowany

Film wkrótce dostępny

Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.