Inter- and intra-patient ECG heartbeat classification for arrhythmia detection: A sequence to sequence deep learning approach.
Inter- and intra-patient ECG heartbeat classification for arrhythmia detection: A sequence to sequence deep learning approach.
复制标题
DOI：
10.1109/icassp.2019.8683140
复制
发表时间：
2019-05
期刊：
影响因子：
--
通讯作者：
Afghah F
中科院分区：
文献类型：
--
作者：
Mousavi S;Afghah F
心电信号是研究心脏功能和诊断多种异常心律失常的常用而有力的工具。虽然心律失常分类方法已经有了显著的改进，但它们在检测不同的心脏状况方面仍然不能提供可接受的性能，特别是在处理不平衡的数据集时。在本文中，我们提出了一种解决方案，通过开发一种使用深度卷积神经网络和顺序模型的自动心跳分类方法来解决现有分类方法的局限性。我们在MIT-BIH心律失常数据库上评估了所提出的方法，考虑了患者内和患者间的范例，以及AAMIEC57标准。对两个范例的评估结果表明，我们的方法在文献中取得了最好的效果(对于S类别的阳性预测值为96.46%，灵敏度为100%；对于患者内方案的F类的阳性预测值为98.68%，敏感性为97.40%；对于S类别的阳性预测值为92.57%，敏感性为88.94%；对于患者间方案的V类的阳性预测值为99.50%，敏感性为99.94%)。
Electrocardiogram (ECG) signal is a common and powerful tool to study heart function and diagnose several abnormal arrhythmias. While there have been remarkable improvements in cardiac arrhythmia classification methods, they still cannot offer acceptable performance in detecting different heart conditions, especially when dealing with imbalanced datasets. In this paper, we propose a solution to address this limitation of current classification approaches by developing an automatic heartbeat classification method using deep convolutional neural networks and sequence to sequence models. We evaluated the proposed method on the MIT-BIH arrhythmia database, considering the intra-patient and inter-patient paradigms, and the AAMI EC57 standard. The evaluation results for both paradigms show that our method achieves the best performance in the literature (a positive predictive value of 96.46% and sensitivity of 100% for the category S, and a positive predictive value of 98.68% and sensitivity of 97.40% for the category F for the intra-patient scheme; a positive predictive value of 92.57% and sensitivity of 88.94% for the category S, and a positive predictive value of 99.50% and sensitivity of 99.94% for the category V for the inter-patient scheme.).
登录
查看更多内容
DOI：
10.3390/e20030190
发表时间：
2018-03-12
期刊：
Entropy (Basel, Switzerland)
影响因子：
--
作者：
Afghah F;Razi A;Soroushmehr R;Ghanbari H;Najarian K
通讯作者：
Najarian K
DOI：
10.1109/jbhi.2014.2332001
发表时间：
2015-05-01
影响因子：
7.7
作者：
Angel Escalona-Moran, Miguel;Soriano, Miguel C.;Mirasso, Claudio R.
通讯作者：
Mirasso, Claudio R.
影响因子：
--
作者：
Lin, Chun-Cheng;Yang, Chun-Min
通讯作者：
Yang, Chun-Min
影响因子：
4.6
作者：
Garcia G;Moreira G;Menotti D;Luz E
通讯作者：
Luz E
影响因子：
5
作者：
Chawla, NV;Bowyer, KW;Kegelmeyer, WP
通讯作者：
Kegelmeyer, WP