论文阅读：Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet transform with ECG signals
一、摘要
本文将离散小波变换（DWT）与新颖的一维十六进制局部模型（1D-HLP）技术结合起来，在MIT-BIH心律失常数据库上进行17类心拍分类，获得了95%的分类精度。
二、数据集
基于MIT-BIH心律失常数据库，使用了随机选择的1000个10s持续时间的ECG信号片段，这些片段分别属于17类
三、方法
所提出的方法（图1）包括预处理，使用1D-HLP进行特征提取，特征级联，使用邻域分量分析（NCA）进行特征约简和分类阶段。在预处理阶段使用多级DWT [54]去除噪声和5级低通滤波器L1，L2 ，L3 ，L4和L5 计算。为了提取特征，使用1D-HLP并提取512×6维特征。将这些特征连接起来，并获得3072维特征集。在特征缩减阶段，使用NCA计算这些特征的权重，并使用这些权重将3072尺寸特征缩减为64个特征。最后，将提取的特征作为输入提供给最近的邻域分类器1NN
四、结果
我们提出的具有256个特征的方法与1NN分类器相结合，分别对5、13、15和17种ECG分类产生了99.7％，99.3％，97.7％和95.0％的分类精度。与现有结果对比如下
不同K值的比较
五、讨论
1、本文的特征提取和分类过程大约需要24毫秒，因此它是一种快速、简单、轻巧方法。
2、获得了较高的分类精度，获得了的特征具有临床意义。
3、提出了一种新颖的多层方法。通过使用5级1D-DWT和建议的HLP，可从ECG信号中提取可变特征。提出了一种基于NCA的特征选择方法来选择特征。所选要素将馈送到简单的1NN分类器。此方法不使用任何优化或权重更新方法。因此，提出的方法是一种多层认知方法。
