Abstract

• 提出了一种基于1D卷积神经网络（CNN）的方法，专注于个性化患者的心电图分类和监测(1D cnn 由来引用)。

Introduction

• 回顾了过去多种心电图分类方法，涉及信号处理和机器学习技术，但这些方法由于患者间ECG信号的差异，在实践中普遍表现不稳定。
• 为了解决这一问题，提出了患者特定的方法，这些方法通过改进特征提取和分类过程，显著提高了性能。
• 现有的患者特定方法依赖于固定的、手工设计的特征，这使得它们无法完全符合“患者特定”的理念，因为它们不能根据每个患者的具体信号特征进行个性化设计。
• 进一步的改进要求设计适合每个患者的特征，同时避免过高的计算复杂度，以便能够广泛应用于轻量级设备如可穿戴心脏监测器。

1Dcnn

• 自适应1D卷积神经网络（CNN）设计：提出的1D CNN模型可以用于心电图（ECG）的特征提取和分类，设计中去除了传统的MLP层，简化了网络结构，并使得输入层的维度独立于CNN参数。

• 卷积与子采样结合：结合卷积和子采样操作，网络能够处理原始心电图数据而无需手动特征提取或预处理。卷积操作在每一层中逐渐减少输入图的维度，避免使用零填充。

• 灵活性与高效性：设计使得CNN层数可以灵活调整，同时子采样因子的设置根据输入图的维度自动进行，确保分类过程既快速又高效。简单的3层CNN模型能够以极快的速度执行分类任务，在有限的训练数据下表现出优越的分类性能。

• 简化训练过程：与复杂的深度学习任务不同，所提出的1D CNN只需几十次反向传播（BP）迭代即可完成训练，且仅需要几百次1D卷积操作。这样大大减少了计算负担，适合实时心电图监测和轻量级应用。

• 反向传播从输出层开始，计算每个神经元的误差增量，然后通过梯度下降方法更新网络参数（权重和偏置）。

• 通过多层反向传播的过程，误差逐层传递，并更新每一层的权重和偏置。

• 关键步骤包括计算误差增量、卷积操作、上采样过程和权重更新，使得整个网络能够高效训练并优化分类性能。

• 公式略

Results

• 将所提出的自适应1D卷积神经网络（CNN）与四种现有算法进行比较，所有这些算法都符合AAMI标准。比较评估集中在VEB（室性早搏）和SVEB（心房早搏）检测上。实验使用了MIT/BIH心律失常数据库，并将其划分为多个数据集进行性能评估。

• 数据集1用于VEB检测，包含11个测试记录，数据集2用于SVEB检测，包含14个常用记录，其中增加了212、222和232号记录。数据集1是所有方法共享的，数据集2用于测试所提方法和其他两种方法，而数据集3是包含所有记录的整个数据库，用于进一步评估所提方法和另一种方法的性能。

• 对于SVEB检测，所提方法在敏感性和阳性预测率上的表现较VEB检测略逊色，但在特异性上表现优秀。SVEB类别在训练数据中的比例较少，因此更多的SVEB心跳被误分类为正常心跳，导致敏感性较低。在VEB检测中，所提方法在所有数据集上 consistently 提供了最高的分类准确率和敏感性，特别是在VEB分类任务中表现出色。

• 在数据集1和数据集2上，所提方法的VEB和SVEB检测性能普遍与现有方法相当或更好。尤其是在VEB分类任务中，所提方法在所有数据集上始终实现了最高的分类准确率和敏感性。

• 在整个数据集（数据集3）上，所提方法在VEB和SVEB分类任务中也表现出色，仅在SVEB的敏感性上稍逊一筹。

• 所提出的自适应1D CNN实现具有很高的计算效率。即使在没有GPU的情况下，在MS Visual Studio 2013平台上通过C++编程实现，单个心跳的前向传播时间为0.74毫秒，比实时要求快了超过1000倍，充分证明了该方法适用于实时分类任务。

Conclusions

• 本文提出了一种基于自适应1D卷积神经网络（CNN）的患者特定心电图（ECG）分类器，能够将传统ECG分类中的特征提取和分类模块融合为一个统一的学习体，避免了传统方法中复杂的特征提取和预处理步骤。