基于一维自组织运算神经网络的实时患者特异性 ECG 分类
信号处理
2021-10-06 v1 机器学习
摘要
尽管针对通用 ECG 分类和心律失常检测提出了大量深度学习方法，具有实时能力和高精度的紧凑系统用于分类患者特异性 ECG 仍然很少。特别是，患者特异性数据的稀缺对任何分类器都构成了终极挑战。最近，紧凑的一维卷积神经网络（CNN）在准确分类室性异位搏动和室上性异位搏动方面达到了 SOTA 性能水平。然而，若干研究已表明传统 CNN 的学习性能受限，因为它们是具有基本（线性）神经元模型的同质网络。为解决这一缺陷并进一步提升患者特异性 ECG 分类性能，在本研究中我们提出一维自组织运算神经网络（1D Self-ONNs）。由于其自组织能力，Self-ONNs 相对于传统 ONNs 具有极大优势和优越性，后者需在算子集库中预先搜索以找到最佳算子组合，而前者完全避免了这一过程。作为首次提出将 1D Self-ONNs 用于分类任务的研究，我们在 MIT-BIH 心律失常基准数据库上的结果表明，1D Self-ONNs 能在具有相似计算复杂度的同时以显著优势超越 1D CNNs。在 AAMI 建议下并使用最少公共训练数据，在整个 MIT-BIH 数据集上，1D Self-ONNs 分别达到了 98% 和 99.04% 的平均准确率、76.6% 和 93.7% 的室上性异位搏动和室性异位搏动（VEB）分类平均 F1 分数，这是迄今报道的最高性能水平。
引用
@article{arxiv.2110.02215,
title = {Real-Time Patient-Specific ECG Classification by 1D Self-Operational Neural Networks},
author = {Junaid Malik and Ozer Can Devecioglu and Serkan Kiranyaz and Turker Ince and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2110.02215},
year = {2021}
}