SE-ECGNet：一种带挤压-激励模块的多尺度深度残差网络用于心电信号分类
机器学习
2020-12-11 v1 信号处理
摘要
心电图（ECG）信号的分类对心脏病学家而言是一项极具挑战性的任务，其耗时且误诊率高。ECG信号分类的主要困难源于长时序依赖。现有多数ECG信号分类方法使用循环神经网络模型，如LSTM和GRU，无法从此类长序列中提取准确特征。其他方法利用一维卷积神经网络（CNN），如ResNet或其变体，但不能很好地利用ECG信号的多导联信息。基于上述观察，我们为ECG信号分类任务开发了一种多尺度深度残差网络。我们首次提出将多导联信号视为二维矩阵，并结合多尺度二维卷积块与一维卷积块进行特征提取。我们提出的模型在MIT-BIH数据集上取得了99.2%的F1-score，在阿里巴巴数据集上取得了89.4%的F1-score，分别优于现有最优性能2%和3%，相关代码与数据见 https://github.com/Amadeuszhao/SE-ECGNet。
引用
@article{arxiv.2012.05510,
title = {SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification},
author = {Haozhen Zhang and Wei Zhao and Shuang Liu},
journal= {arXiv preprint arXiv:2012.05510},
year = {2020}
}
备注
The proposed method is of technical significance, and the setup experiments are comprehensivee and the evaluation results show the feasibility of the methods