基于多模态图像融合的ECG心跳分类
信号处理
2021-05-31 v1 计算机视觉与模式识别
机器学习
摘要
本文提出一种新颖的图像融合模型（IFM）用于ECG心跳分类，以克服现有机器学习技术的弱点——它们要么依赖手动特征提取，要么直接利用一维原始ECG信号。在IFM输入处，我们首先使用格拉姆角场（GAF）、递归图（RP）和马尔可夫转移场（MTF）将ECG心跳转换为三种不同图像，然后将这些图像融合以创建单一成像模态。我们使用AlexNet进行特征提取与分类，从而采用端到端深度学习。我们依据AAMI EC57标准在PhysioNet MIT-BIH数据集上对五种不同的心律失常，以及在PTB诊断数据集上对心肌梗死（MI）分类进行实验。我们在预测准确率、精确率和召回率方面取得了艺术级（state of the art）的结果。
引用
@article{arxiv.2105.13536,
title = {ECG Heart-beat Classification Using Multimodal Image Fusion},
author = {Zeeshan Ahmad and Anika Tabassum and Naimul Khan and Ling Guan},
journal= {arXiv preprint arXiv:2105.13536},
year = {2021}
}