La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

ECG Classification with Multi-Scale Deep Features Based on Adaptive Beat-Segmentation Classification ECG avec fonctionnalités approfondies multi-échelles basées sur la segmentation adaptative des battements

Huan SUN, Yuchun GUO, Yishuai CHEN, Bin CHEN

  • Vues en texte intégral

    0

  • Citer

Résumé:

Récemment, le système de diagnostic basé sur l'ECG et les appareils portables a attiré de plus en plus l'attention des chercheurs. Les études existantes ont atteint une précision de classification élevée en utilisant des réseaux neuronaux profonds (DNN), mais certains problèmes subsistent, tels que : une segmentation imprécise des battements cardiaques, une utilisation inadéquate des connaissances médicales, le même traitement de caractéristiques d'importance différente. Pour résoudre ces problèmes, cet article : 1) propose une méthode adaptative de segmentation-remodelage pour acquérir de nombreux échantillons utiles ; 2) construit un ensemble de fonctionnalités artisanales et de fonctionnalités approfondies sur l'échelle des battements internes, des battements et des inter-battements en intégrant suffisamment de connaissances médicales. 3) a introduit un module d'attention de canal (CAM) modifié pour augmenter les canaux importants dans les fonctionnalités profondes. Suite à la recommandation de l'Association for Advancement of Medical Instrumentation (AAMI), nous avons classé l'ensemble de données en quatre classes et validé notre algorithme sur la base de données MIT-BIH. Les expériences montrent que la précision de notre modèle atteint 96.94 %, soit une augmentation de 3.71 % par rapport à celle d'une alternative de pointe.

Publication
IEICE TRANSACTIONS on Communications Vol.E103-B No.12 pp.1403-1410
Date de publication
2020/12/01
Publicisé
2020/07/01
ISSN en ligne
1745-1345
DOI
10.1587/transcom.2020SEP0002
Type de manuscrit
Special Section PAPER (Special Section on IoT Sensor Networks and Mobile Intelligence)
Catégories

Auteurs

Huan SUN
  Beijing Jiaotong University
Yuchun GUO
  Beijing Jiaotong University
Yishuai CHEN
  Beijing Jiaotong University
Bin CHEN
  Beijing Jiaotong University

Mots-clés

Table des matières