一种基于迁移学习的集成架构用于 ECG 信号分类
图像与视频处理
2022-07-04 v1 信号处理
摘要
人工解读与分类 ECG 信号缺乏准确性与可靠性。这些连续时间序列信号在表示为图像后，更利于基于 CNN 的分类。本文使用连续小波变换滤波器来获取相应图像。在取得最佳结果方面，通用 CNN 架构精度不足且运行时间较长。为解决此问题，我们提出一种基于迁移学习模型的集成方法来分类 ECG 信号。在我们的工作中，两个修改后的 VGG-16 模型和一个带有附加特征提取层及 ImageNet 权重的 InceptionResNetV2 模型作为骨干网络。集成后，我们报告准确率较先前基于 MLP 的算法提升了 6.36%。在 Physionet 数据集上进行 5 折交叉验证后，我们的模型达到了 99.98% 的准确率。
引用
@article{arxiv.2207.00002,
title = {A Transfer-Learning Based Ensemble Architecture for ECG Signal Classification},
author = {Tareque Bashar Ovi and Sauda Suara Naba and Dibaloke Chanda and Md. Saif Hassan Onim},
journal= {arXiv preprint arXiv:2207.00002},
year = {2022}
}
备注
Accepted in IEEE tensymp 2022