基于带辅助分类器的生成对抗网络的全自动心电图分类系统
机器学习
2021-03-16 v3 信号处理
机器学习
摘要
本文提出一种基于生成对抗网络（GAN）的、具有高精度的全自动心电图（ECG）心律失常分类系统。我们 GAN 中的生成器（G）被设计为以不同心律失常类别为条件生成多种耦合矩阵输入，用于数据增强。我们所设计的判别器（D）在真实与生成的 ECG 耦合矩阵输入上训练，并在 GAN 训练完成后提取作为心律失常分类器。通过使用无监督算法估计的患者特异性正常心搏以及由 G 生成的通常难以获取的异常心搏对 D 进行微调后，我们的全自动系统在 MIT-BIH 心律失常数据库上对室上性异位心搏（SVEB 或 S 搏）和室性异位心搏（VEB 或 V 搏）均展现出优越的整体分类性能。它超越了若干最先进的自动分类器，并能达到与某些专家辅助方法相近的水平。特别地，SVEB 的 F1 分数相比性能最佳的自动系统提高了至多 13%。此外，对 SVEB（87%）和 VEB（93%）检测均实现了高灵敏度，这对实际诊断具有重要价值。因此，我们认为基于 ACE-GAN（用于心电图的带辅助分类器的生成对抗网络）的自动系统可成为一种有前景且可靠的工具，用于高通量临床筛查实践，且无需任何人工干预或专家辅助标注。
引用
@article{arxiv.2004.04894,
title = {Fully Automatic Electrocardiogram Classification System based on Generative Adversarial Network with Auxiliary Classifier},
author = {Zhanhong Zhou and Xiaolong Zhai and Chung Tin},
journal= {arXiv preprint arXiv:2004.04894},
year = {2021}
}
备注
Accepted for publication in Expert Systems with Applications