Method Article

Elektrokardiyogram Sinyali Kullanarak Erken Aritmiyi Tahmin Etmek ve Sınıflandırmak için Evrişimli Sinir Ağı-Transformatör Modeli

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

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

Geliştirilen model, erken aritmileri N, L, R, V ve A sınıflarına ayırmayı amaçlamaktadır. Burada, tüm veri kümeleri, modelin çıktı olarak farklı aritmi sınıfları üretmek için girdi olarak kullandığı bir temel veri kümesi oluşturmak için birleştirilir.

Abstract

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

Dünya çapında önemli bir ölüm nedeni olan kardiyovasküler hastalıklar, özellikle aritmiler, erken tanı ve tespit için kesin ve otomatik teknolojilerin oluşturulmasını gerektirir. Elektrokardiyogram (EKG) sinyallerinden aritmileri tanımlamak için bu makale, beş ana kalp atışı tipine odaklanan derin öğrenme tabanlı bir sınıflandırma modeli sunmaktadır: Normal (N), Sol Demet Dal Bloğu (L), Sağ Demet Dal Bloğu (R), Atriyal Erken Atım (A) ve Erken Ventriküler Kasılma (V). INCART 12 kurşun, Ani Kardiyak Ölüm Holter, Supraventriküler ve MIT-BIH Aritmi veritabanları gibi çeşitli kaynaklardan gelen Kurşun I sinyallerinden yararlanarak 3,9 milyondan fazla eğitim ve 112.575 test segmenti sağlıyoruz.

Veri hazırlama örnekleri arasında 180 örnekleme, sabit pencere segmentasyonu, Min-Maks normalleştirme ve Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) ile sınıf dengeleme yer alır. Hibrit mimari, zamansal bağımlılıkları modellemek için Transformer katmanlarını ve uzamsal özellikleri çıkarmak için 1B Evrişimli Sinir Ağlarını (CNN'ler) kullanır. Düzenlileştirme için bırakma ve toplu normalleştirme ile Adam iyileştiricisi modeli eğitir.

Önerilen sistem, TN4 modelinden ve diğer son teknoloji kıyaslamalardan daha iyi performans göstererek tüm sınıflarda %99,99 doğruluk, hassasiyet ve F1 puanı elde ediyor. Özellik sağlamlığı, daha önceki çalışmalar tarafından motive edilen derin hibrit mimariler ve evrişimli sinir ağları uygulanarak daha da geliştirilmiştir. Önerilen paradigma, yapay zeka odaklı, kişiselleştirilmiş dijital sağlık hizmetlerini ilerletiyor ve ölçeklenebilir, gerçek zamanlı aritmi tanımlaması için büyük umut vaat ediyor.

Introduction

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

Dünya Sağlık Örgütü'ne (WHO) göre, kardiyovasküler hastalıklar (KVH'ler) küresel olarak önde gelen sağlık sorunlarından biri olmaya devam ediyor ve her yıl dünya çapında ölümlerin yaklaşık %31'inden sorumlu1. Bu vakaların önemli bir alt kümesi, kalbin ritminde iyi huyludan yaşamı tehdit edici hale kadar değişebilen aritmiler-düzensizlikleri içerir. Aritmiler genellikle düzensiz zamanlarla işaretlenir. Bu aksaklıklar hasta morbidite ve mortalitesine önemli ölçüde katkıda bulunarak felç, kalp yetmezliği ve ani kalp durması gibi ciddi sağlık sorunları riskini artırır. Bu nedenle, aritmilerin erken tanımlanması ve doğru sınıflandırılması, hasta sonuçlarının iyileştirilmesi, sağlık hizmeti maliyetlerinin yönetilmesi ve kardiyak bakımın kalitesinin artırılması için çok önemlidir2.

Elektrokardiyografi (EKG), aritmileri tespit etmek için önemli bir non-invaziv tanı aracı olmaya devam etmektedir. EKG, kalbin elektriksel aktivitesini görsel dalga formları olarak yakalayarak, klinisyenlerin belirli aritmik modellere işaret edebilecek ince varyasyonları tanımlamasını sağlar3. Bununla birlikte, EKG sinyallerini manuel olarak yorumlamak zaman alıcıdır ve uygulayıcılar arasındaki bireysel farklılıklar nedeniyle değişkenliğe eğilimlidir, bu da bir insan hatası payına neden olur. Bu zorluklar, kapsamlı veri kümelerini işlerken veya nüanslı aritmileri tanırken büyütülür. Dijital sağlık hizmetlerine küresel geçişle birlikte, tutarlı, gerçek zamanlı EKG analizi sunabilen güvenilir ve otomatik tanı sistemlerine olan ihtiyaç giderek daha hayati hale gelmektedir4.

Geleneksel makine öğrenimi modelleri, EKG analizine orta düzeyde bir başarı ile uygulanmıştır; Bununla birlikte, el yapımı özelliklere ve alana özgü uzmanlığa güvenmeleri, dikkate değer sınırlamalar doğurmaktadır. Bu sınırlamayı ele almak için model, yeterince temsil edilmeyen sınıflar için sentetik veri noktaları oluşturan, böylece veri kümesini dengeleyen ve modelin tüm kalp atışı türleri arasında genelleme kapasitesini geliştiren Sentetik Azınlık Aşırı Örnekleme Tekniğini (SMOTE) kullanır. SMOTE'un derin öğrenme modelimizle entegrasyonu, özellikle nadir aritmiler için sınıflandırma performansını artırır ve daha adil bir tanı aracını destekler5. Bu araştırmanın temel amaçları üç yönlüdür. İlk olarak amaç, gerçek zamanlı aritmi tespiti yapabilen doğru, ölçeklenebilir bir model geliştirmek ve dijital ve kişiselleştirilmiş sağlık hizmetlerine küresel geçişe katkıda bulunmaktır. İkincisi, EKG analizinde hibrit bir CNN-Transformatör mimarisinin etkinliğini göstermek ve hem doğruluk hem de sağlamlık açısından geleneksel yöntemlerden daha iyi performans gösterme potansiyelini vurgulamak6.

Son olarak amaç, kardiyak anormalliklerin erken tespitini geliştiren, klinik teşhiste anlamlı uygulamalara sahip bir model geliştirmektir. Bu çalışma, derin öğrenme ilerlemeleri ile pratik tıbbi uygulamalar arasındaki boşluğu doldurmayı ve yaklaşımımızı daha iyi kardiyak bakım ve hasta sonuçları elde etmede değerli bir araç olarak konumlandırmayı amaçlamaktadır6.

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

Protocol

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

1. Veri kümelerini edinme

  1. Aritmi sınıflandırması7 için derin öğrenme modelini geliştirmek ve doğrulamak için halka açık elektrokardiyogram (EKG) veri kümelerini edinin.
  2. MIT-BIH Aritmi Veritabanı, MIT-BIH Supraventriküler Aritmi Veritabanı, St. Petersburg INCART 12 derivasyonlu Aritmi Veritabanı ve Ani Kardiyak Ölüm Holter Veritabanından Kurşun-I veri kümelerini birleştirin.
    NOT: Veri setleri, hasta demografisi ve aritmi tiplerindeki çeşitlilikleri nedeniyle seçilmiştir ve modelin çeşitli vakalar arasında genelleme yapabilmesini sağlar. Her veri kümesi, bir dizi kalp atışı sınıfını kapsayan yüksek kaliteli açıklamalı EKG kayıtları sağlar. Girişi standartlaştırmak, tutarlılığı korumak ve tanısal olarak en ilgili sinyale odaklanmak için tüm veri kümelerinde yalnızca Kurşun I verileri çıkarıldı ve kullanıldı. Şekil 1'de gösterildiği gibi, Kurşun I, sağ kol (negatif elektrot) ve sol kol (pozitif elektrot) arasındaki potansiyel farkı ölçer ve Kurşun II, sağ kol (negatif elektrot) ve sol bacak (pozitif elektrot) arasındaki potansiyel farkı ölçer. Tablo 1 , asıl veri kümesinin dört veri kümesinin birleştirilmesi ve boş değerlerin ortadan kaldırılmasıyla oluşturulduğunu ve dosyanın Alldata.CSV olarak adlandırıldığını göstermektedir.

2. Veri ön işleme

  1. Alldata.CSV'daki verileri iki parçaya bölün: eğitin ve test edin. Ön işleme 2'de, N, L, R, A, V sınıflarını Alldata.CSV'den filtreleyin ve ardından iki parçaya bölün: Eğitme ve test parçaları (Şekil 2).
  2. Her hastanın EKG sinyalini, her biri N, L, R, A ve V sınıfları gibi karşılık gelen aritmi sınıflarına göre açıklamalı 180 ms'lik sabit pencerelere bölün (Şekil 3).
    NOT: Bu segmentasyon, numuneler arasında tutarlı giriş uzunluğuna izin verdi ve her kalp atışı segmentindeki zamansal özellikleri yakaladı.
  3. Python Kitaplığı'nı kullanarak biçimdeki (.dat, .hea ve .atr) ham EKG dosyalarını okuyun.

3. Normalleştirme

  1. Sinyal genliğinde tekdüzeliği sağlamak için, Min-Maks ölçeklendirmeyi kullanarak tüm segmentli EKG verilerini normalleştirin ve her bir örneği 0 ile 1 arasında bir aralığa dönüştürün.
    NOT: Burada kullanılan normalleştirme tekniği MinmaxScaler8'dir.

4. SMOTE ile sınıf dengeleme

NOT: Aritmi sınıflandırmasında yaygın bir zorluk, normal kalp atışlarının anormal olanlardan çok daha fazla olduğu önemli sınıf dengesizliğidir.

  1. Yukarıdaki zorluğun üstesinden gelmek için, mevcut örnekler9 arasında enterpolasyon yaparak azınlık sınıfları için sentetik örnekler oluşturan eğitim setine Sentetik Azınlık Aşırı Örnekleme Tekniğini (SMOTE) uygulayın.
    NOT: Modelin tüm aritmi türleri arasında genelleme kapasitesi, her sınıfın adil bir şekilde temsil edilmesini garanti eden yeni sentetik örneklerle geliştirilmiştir.

5. Tren testi ayrımı

  1. Ön işlemeden sonra, kümeler arasında sınıf dağılımını korumak için katmanlaştırma ile 70-30'luk bir bölme kullanarak verileri eğitim ve test kümelerine bölün.
    NOT: Bu bölünme, her bir aritmi sınıfının hem eğitim hem de test aşamalarında yeterince temsil edilmesini sağlayarak modelin performansının güvenilir bir şekilde değerlendirilmesine olanak sağlamıştır.

6. Veri kümesi bölme ve sınıf dağıtımı

  1. Son Veri Kümesini, verilerin p'i eğitim ve 0'u test için kullanılacak şekilde eğitim ve test kümelerine bölün.
  2. Tablo 2'de gösterildiği gibi, her bir aritmi tipinin hem eğitim hem de test setlerinde yeterince temsil edildiğinden emin olarak, sınıf dağılımını dengelemek için SMOTE'yi uygulayın.
    NOT: Toplamda, eğitim için 3.966.620 EKG segmenti ve modeli test etmek için 112.575 EKG segmenti kullanılmıştır. Bu büyük veri hacmi, aritmi tiplerinin çeşitliliği ile birlikte, modelin gerçek dünyadaki EKG sinyallerinde farklı aritmi türlerini tespit etmedeki sağlamlığına katkıda bulundu.

7. Metodoloji

  1. Model mimarisi
    1. Doğru aritmi sınıflandırması elde etmek için 1B Evrişimli Sinir Ağları (CNN'ler) ve Transformer katmanlarından oluşan hibrit bir derin öğrenme modeli uygulayın.
      NOT: Hibrit model mimarisi, EKG sinyallerinin hem uzamsal hem de zamansal özelliklerinin güçlü yönlerinden yararlanmak için özel olarak tasarlanmıştır. Özellik ayıklama ve dizi modelleme özelliklerini birleştirir.
  2. 1D-Evrişimli Sinir Ağı (CNN) Blokları
    1. CNN bloğunu, her biri bir ReLU aktivasyon işlevi ve bir maksimum havuzlama katmanı tarafından takip edilen iki 1B evrişimli katmandan oluşacak şekilde ayarlayın. Bu katmanlar, giriş EKG sinyalinden uzamsal bağımlılıkları çıkarır. Özellik çıkarmayı geliştirmek için, CNN katmanları10'daki her dönüştürme adımından sonra daha fazla ReLU etkinleştirme işlevi ekleyin.
      NOT: Bu yapılandırma, modelin her segmentteki uzamsal bağımlılıkları etkili bir şekilde öğrenmesini sağlar.
    2. İlk Evrişimli Katman: Giriş sinyaline 3 boyutunda 32 filtre uygulamak için bu katmanı kullanın. İşlem şu şekilde ifade edilir:
      figure-protocol-1(1)
      Burada yi çıktıyı, wj ağırlıkları, x(i+j) giriş EKG segmentini, b önyargı terimini ve σ aktivasyon fonksiyonunu temsil eder (bu durumda ReLU)11.
    3. Havuzlama Katmanı: Her evrişimden sonra, uzamsal boyutu 2 faktörü azaltmak için şu şekilde tanımlanan bir maksimum havuzlama işlemi ayarlayın:
      figure-protocol-2(2)
      NOT: Bu işlem, hesaplama karmaşıklığını azaltırken en göze çarpan özellikleri korur.
    4. İkinci Evrişimli Katman: Bu katmanı, önceki katmandaki özellik haritalarına 3 boyutunda 64 filtre uygulamak için kullanın ve daha üst düzey özellikleri12 çıkarın. Doğrusal olmayanlığı tanıtmak için evrişimden sonra bir ReLU aktivasyon işlevi uygulayın:
      figure-protocol-3(3)
      1. Ek Aktivasyon Katmanları: Ağın ifade gücünü artırmak için evrişimden sonraki her ara aşamada ReLU aktivasyonu uygulayın ve modelin pozitif aktivasyonlaraodaklanmasını sağlayın 13.
    5. Bırakma: Tam bağlı katman bölümünde 0.5'lik bir Bırakma oranı belirtin14.
  3. Trafo bloğu:
    1. Bu protokolü takip etmek için, Transformatör bloğunu iki çok kafalı kendi kendine dikkat katmanı içerecek şekilde ayarlayın ve modelin EKG sinyalinin15 farklı bölümlerindeki zamansal bağımlılıkları yakalamasını sağlayın.
    2. Çok Başlı Öz Dikkat: Bu mekanizma, her dizi öğesi çifti arasındaki ilişkileri hesaplar. Q sorgusu, K anahtarı ve V değeri olan bir dizi için dikkati şu şekilde hesaplayın:
      figure-protocol-4 (4)
      Burada Q, K ve V sırasıyla sorgu, anahtar ve değer matrisleridir ve dk anahtar vektörlerin boyutsallığını temsil eder.
      NOT: Bu mekanizma, modelin farklı segmentleri alaka düzeylerine göre tartmasına izin vererek, modelin ince zamansal özelliklere sahip aritmileri ayırt etme yeteneğini geliştirir.
    3. Aktivasyon Fonksiyonları: ReLU'yu katmanlar arasında açıkça kullanın.
  4. Sürekli Dalgacık Dönüşümü (CWT):
    1. Verileri CNN katmanlarına beslemeden önce, EKG sinyallerini zaman-frekans temsillerine dönüştürmek için sürekli dalgacık dönüşümleri uygulayın16.
      NOT: Bu dönüşüm, farklı aritmi türlerini ayırt etmek için çok önemli olan zaman içindeki frekans değişimlerini yakalayarak daha kapsamlı bir özellik seti sağlar.
  5. Eğitim süreci:
    1. Modeli eğitmek için, gradyanın birinci ve ikinci anlarına göre öğrenme hızını dinamik olarak ayarlayan Adam iyileştiricisini kullanın. Adem için güncelleme kuralını şu şekilde tanımlayın:
      figure-protocol-5 (5)
      m t ve vt birinci ve ikinci moment tahminleri olduğunda, α öğrenme hızıdır ve ε sıfıra bölmeyi önlemek için küçük bir sabittir17.
    2. Aşırı öğrenmeyi azaltmak için erken durdurmayı kullanarak, parti büyüklüğü 64 olan 100'den fazla dönemde eğitim gerçekleştirin.
      NOT: Eğitim verileri, PyTorch DataLoader yardımcı programı aracılığıyla modele beslendi ve ağı düzenli hale getirmek ve yakınsamayı iyileştirmek için hem bırakma hem de toplu normalleştirme uygulandı.
  6. Hiper parametre ayarlama
    1. Erken durdurma, Adem iyileştirici, bırakma, toplu normalleştirme ve 1024 toplu iş boyutunu kullanarak el ile ayarlama gerçekleştirin.
      NOT: Izgara veya Bayes araması bu yazıda açıkça belirtilmemiş olsa da, bu seçenekler pratik ayarlama stratejilerini yansıtır.
  7. Doğrulama teknikleri
    1. SMOTE18'i uyguladıktan sonra 70-30 tabakalı tren testi ayrımı kullanın.
      NOT: K-katlama kullanılmasa da, tabakalaşma sınıf dağılımını korur, bu da genellikle büyük veri kümelerinde yeterlidir.

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

Results

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

Önerilen modelin performans metrikleri
Önerilen modelin doğruluğu, duyarlılığı, özgüllüğü ve F1 skoru her bir aritmi sınıfı için hesaplanmıştır. Modelin performansı MIT-BIH ve diğer ilgili EKG veritabanlarında değerlendirilir. Temel sonuçlar aşağıdaki gibi özetlenmiştir:


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

Discussion

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

Bu çalışmanın sonuçları, hibrit CNN-Transformatör modelinin, EKG aritmilerini yüksek doğruluk, duyarlılık, özgüllük ve F1 skoru ile yetkin bir şekilde sınıflandırdığını ve geleneksel yalnızca CNN ve CNN-LSTM modellerini belirgin şekilde geride bıraktığını göstermektedir. Transformatör katmanlarının dahil edilmesi, modelin EKG analizinin çok önemli bir unsuru olan zamansal bağımlılıkları yakalama yeteneğini geliştirdi. Ayrıca, sürekli dalgacık dönüşümleri (CWT), CNN katmanlarının aritmi t...

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

Disclosures

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

Yazarların beyan edebilecekleri herhangi bir çıkar çatışması yoktur.

Acknowledgements

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

INTI International University Kıdemli Öğretim Görevlisi Dr. Azadeh Amoozegar'a veri setleri üzerinde eğitim vermek için çevrimiçi kaynaklar sağladığı için teşekkür etmek istiyorum.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Bilgisayar sistemi(Eğitim için) İşlemci: AMD Ryzen 7 7840HS, CPU RAM:16 GB, GPU RAM:6GBNVIDIA GeForce RTX 3050
dengesiz öğrenmePyTorch'u
PyTorch, iki üst düzey özellik sağlayan bir Python paketidir:
- Güçlü GPU hızlandırma ile tensör hesaplaması (NumPy gibi
- Üzerine inşa edilmiş derin sinir ağları teyp tabanlı otomatik grad sistemi
seabornSeaborn, matplotlib tabanlı bir Python görselleştirme kütüphanesidir. 
Fizyolojik sinyal ve açıklama verilerini okumak, yazmak, işlemek ve çizmek için kullanılanWFDB
yeniden örneklemek için kullanılan python paketi

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