基于去噪堆叠自编码器和优化深度网络的房颤自动分类
信号处理
2022-02-11 v1 机器学习
图像与视频处理
摘要
全球范围内心房颤动（AFib）的发病率正以惊人的速度增长。为了早期检测房颤风险，我们开发了一种基于深度神经网络的自动检测系统。为了实现更好的分类，对生理信号进行良好的预处理是必不可少的。考虑到这一点，我们提出了一项双重研究。首先，提出了一种端到端模型，使用去噪自编码器（DAE）对心电图信号进行去噪。为了实现去噪，我们使用了三种网络，包括卷积神经网络（CNN）、密集神经网络（DNN）和循环神经网络（RNN）。比较了这三种模型，发现基于CNN的DAE性能优于其他两种。因此，使用基于CNN的DAE去噪后的信号来训练用于分类的深度神经网络。使用准确率、特异性、灵敏度和信噪比（SNR）作为评估标准，评估了三种神经网络的性能。本研究中提出的用于检测心房颤动的端到端深度学习模型达到了99.20%的准确率、99.50%的特异性、99.50%的灵敏度和99.00%的真阳性率。我们比较的算法的平均准确率为96.26%，而我们算法的准确率比这些算法的平均值高出3.2%。CNN分类网络相比其他两种网络表现更好。此外，该模型在实时应用中计算效率高，处理24小时心电图信号大约需要1.3秒。所提出的模型还在具有不同心律失常比例的未见数据集上进行了测试，以检验模型的鲁棒性，结果达到了99.10%的召回率和98.50%的精确率。
引用
@article{arxiv.2202.05177,
title = {Automated Atrial Fibrillation Classification Based on Denoising Stacked Autoencoder and Optimized Deep Network},
author = {Prateek Singh and Ambalika Sharma and Shreesha Maiya},
journal= {arXiv preprint arXiv:2202.05177},
year = {2022}
}