论文阅读：A novel application of deep learning for single-lead ECG classification

一、摘要

文章基于MIT-BIH心律失常数据库，在114Hz的低采样频率下，采用了受限玻尔兹曼机（RBM）和深度置信网络（DBN）用于心室异位搏动和室上异位搏动的识别，识别率分别为93.63%、95.57%。与传统方法相比，该基于深度学习的框架中内置的分类器以较低的采样率和简单的功能实现了最新的性能模型

二、数据

基于MIT-BIH心律失常数据库，先对数据进行过滤去除噪声，然后以114Hz的较低采样频率完成检测，准确检测R峰值，然后进行分割。
T波是心室复极化的代表，通过它心肌可以为下一个ECG周期做好准备。在ECG的自动描绘过程中，即定位不同波形的开始和偏移的过程中，最关键的计算之一是检测T波结束，尤其是T偏移。在ECG基准点中，T偏移的检测是最具挑战性的，这主要是由于信号在T波末尾附近的缓慢过渡以及由于存在一个人而不同的振荡模式。

三、方法

在将ECG信号记录下采样到114 Hz之后，我们采用了两种特征提取方法。特征集1（FS1）产生了26个特征，包括RR间隔，心跳间隔和分段形态。特征集2（FS2）产生了22个特征，包括RR间隔和固定间隔形态[ 4 ]。我们选择了单引线特征提取方法，因为其较低的采样率和较小的特征向量都可以降低功耗并降低硬件复杂性。
深度学习框架如下：
（1）首先玻尔兹曼机
RBM源自Boltzmann机器，是一个双向连接的随机处理单元网络，它基于来自该分布的样本来学习未知概率分布的重要特征。
（2）深度置信网络
它由堆叠的逻辑RBM组成，其中最低级别的RBM学习数据的浅层模型，而下一级别的RBM学习对第一层隐藏单元进行建模，从而通过层次结构表示高层抽象

当使用DBN进行分类时，可以使用RBM预训练过程来初始化深度神经网络的权重，然后可以通过反向传播的误差导数来区分微调这些权重。DBN的识别权重成为标准神经网络的权重。这种无监督的预训练为最终的训练阶段建立了平台：针对基于梯度下降优化的有监督的训练准则的微调过程。

四、结果

采用inter-patient模式，与AAMI建议的做法一致，从48个录音中删除了包含节奏拍子的四个录音。其余44个记录中的数据分为两组：训练（DS1）和测试（DS2）。我们使用DS1训练了分类器，并使用了测试集DS2评估了分类器的性能。
对于SVEB类，FS1和深度学习配置的独立性能评估（FS1-DL）的准确率为93.78％，88.39％的灵敏度，33.63的％的正的预测能力，和6.68％的FPR精度。对于VEB类，FS2和深度学习框架（FS1-DL）的性能更好，准确度为96.94％，敏感性为85.22％，阳性预测率为56.63％，错误阳性率为4.11％。

五、讨论

实验结果表明，我们的深度学习框架在MIT-BIH数据库上以360 Hz的采样率显示出SVEB类信号的分类精度为93.78％，VEB类信号的分类精度为96.94％。因此，我们的框架提供的性能与最先进的方法相比具有竞争力。实验结果还表明，当仅以114 Hz采样时，该框架提供了相似的分类准确性（SVEB的93.63％和VEB的95.87％）。因此，较低的114 Hz 采样率足以实现良好的ECG 分类任务。