MMNNS：解决ECG心跳分类不平衡的多模块神经网络系统

本文探讨了多模块神经网络系统（MMNNS）在心电图（ECG）心跳分类中的应用，特别是在处理心脏疾病特别是心律失常领域中遇到的不平衡问题。作者姜静、张怀锋、皮德昌和戴成龙来自南京航空航天大学计算机科学与技术学院，他们提出了一种创新的系统架构，该系统由预处理、不平衡问题处理、特征提取和分类四个关键模块组成。 在不平衡问题处理模块，研究者引入了三种方法：BLSM（Balanced Learning Strategy Method），这是一种针对少数类样本的增强技术，通过线性合成虚拟样本来提高其在模型中的代表性；CTFM（Convolutional Transfer Feature Mining）则结合了自编码器（DAE）进行特征提取和QRS复杂度分析进行特征选择；2PT（Two-Phase Training）则采用分阶段训练策略，首先粗略训练再进行微调，以优化模型性能。 系统的核心是利用卷积神经网络（CNN），其在经过CTFM处理和2PT训练后，能够有效地识别并分类不同的心律失常类型。研究者在遵循AAMI标准的MIT-BIH心律失常数据库上进行了模型训练，特别强调了患者间的数据划分方案，以提升模型在实际临床环境中的泛化能力。 对比实验显示，MMNNS在面对各类先进方法时，表现出显著的优势，不仅提高了心跳检测的准确性和鲁棒性，还有效解决了ECG心跳分类中常见的样本不平衡问题。这对于心血管疾病的早期诊断和管理具有重要意义，因为及时、准确的心律失常分类有助于制定个性化的治疗策略。 这篇论文不仅贡献了一个新颖的多模块神经网络系统框架，还提供了一种有效解决不平衡问题的实用策略，为ECG心跳分类的研究和实际应用开辟了新的途径。通过CC BY-NC-ND许可，读者可以在指定网站上获得这篇开放获取的文章，深入了解这一领域的最新进展。