基于帝王蝶优化算法的心电图分类方法

沙特国王大学学报基于改进帝王蝶优化算法的Ashish Nainwala，Yatindra Kumarb，Bhola Jhaba部。FET Gurukul Kangri被视为印度北阿坎德邦Haridwar大学b部电气工程，GDPIET Pauri Garhwal，北阿坎德邦，印度阿提奇莱因福奥文章历史记录：2021年8月18日收到2022年1月3日修订2022年1月4日接受2022年1月20日在线提供保留字：ECG心电图分类帝王蝶优化卷积神经网络A B S T R A C T心脏病发作是全世界死亡的主要原因，心脏相关疾病也增加了卫生保健的支出心电图（ECG）是诊断心脏病的简单方法之一心律失常的特征在于心脏节律性起搏的异常，这可能在人们的日常生活有必要使用长期ECG记录设备来捕获这些罕见事件。从记录的ECG信号中获得基于形态学特征和小波系数的特征。采用改进的帝王蝶优化（IMBO）算法对特征向量进行降维。将这些优化特征应用于卷积神经网络对信号进行实验结果表明，该方法的准确率为99.49%，灵敏度为99.58%，特异性为98.83%，与以前的方法相比，发现更好的分类准确性，这可能有助于医生诊断心律失常。版权所有©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍心血管疾病（CVD）是全球主要的死亡原因。根据世界卫生组织的数据，CVD是全球头号死因，约有1790万（31%）人的生命被CVD夺走（心血管疾病（CVD），2017）。心电图是检测CVD的主要无创信号记录。ECG是心脏功能的电活动。临床医生很难通过肉眼从ECG中检测出因此，需要计算机辅助诊断系统来帮助临床医生诊断心律失常-在过去的二十年中，研究人员提出了许多算法来检测CVD（Alonso-Atienza，2013）。ECG信号由用于定义信号的P QR S T波组成（Ye等人，2012年）。每一个波都显示了心脏功能的不同活动，这些波的任何变化都显示了心脏功能的问题。计算机辅助检查他们的波帮助医生识别心血管疾病。ECG信号数据库的分类被定义为两个模型：“面向类别的模型”或“患者内模型”和“面向对象的模型”或“患者间模型”（Ye等人，2012年）。在面向主题的模型中，训练和测试数据集从单独的ECG记录中整理出来.在以班级为导向的模式中，所有的培训和*通讯作者。电子邮件地址：ashishnainwal86@gmail.com（A. Nainwal）。从单独的ECG搏动收集测试数据集（Martis等人，2009），使得ECG记录可以部分地用于训练和测试数据集两者。当使用这种技术时，分类器经常给出过于乐观的结果。因此，在拟议的工作中，我们使用主题导向模型。此外，Chazal等人（2006）还提出了一种混合模型，其中，首先，准备全球分类器，然后，利用本地分类器来调整全球分类器。该框架的准确性为97.4%，敏感性为94.4%，特异性为98.4%。为了检测心律失常，ECG信号提供了包括波的时间间隔和幅度的重要心脏病的两个主要基本变量是心房和心室心律失常，它们影响地球的心跳，可能导致心脏功能障碍。长时间的这种功能障碍可能对患者造成危险（Kaur和Arora，2012）。通过数学工具分析从心电信号中提取所需信息的方法有很多。这些方法用于发现信号的特征。完全程序化排列（GE分类器）方法显示实现了75.3%的准确性、69.6%的灵敏度和76.6%的特异性（Hen等人，1997年）。这些都是通过 采用半 自动专 家混合 （MoE ） 方法获得 的。 Wu 和 Zhang（ 2011 ）使 用独 立分 量 分析 特征 和时 间 特征 进行 ECG 分 类。Chawla等 2008年提取的主成分https://doi.org/10.1016/j.jksuci.2022.01.0021319-1578/©2022作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA. Nainwal，Y.Kumar和B.Jha沙特国王大学学报5101分析和独立分量分析特征来检测ECG信号中的R峰。Mahmoodabadi等人（2006）使用小波变换系数计算ECG信号的特征特征提取后，对心律失常信号和正常信号的分类就显得尤为突出。在过去的二十年里，许多研究人员提出了他们的算法来分类ECG信号。Übeyli（2009）将递归神经网络应用于特征向量方法的分类。Sannino和De Pietro（2018）在具有形态特征的深度神经网络上使用机器学习进行分类。Wu和Zhang（2011）使用独立分量分析特征和时间特征进行ECG分类。Chawla等人（2008）提取主成分分析和独立成分分析特征来检测ECG信号中的 还使用了一些其他方法，如遗传算法Jewajinda和 Chongjuvatana （ 2013 ） ， 人 工 神 经 网 络 （ Raj 和 Sandeep ，2017），支持向量机（SVM）（Rajesh和Ravindra，2017），模糊逻辑（Ceylan等人，2009）算法。在应用于分类器之前，使用特征选择来最小化特征，通过优化技术执行特征选择以获得最佳特征（Li，2017）。Llamedo和Martínez（2010）引入了一种用于特征选择的顺序浮动特征选择技术，并产生了一个改进的baidu分类器。D’Angelo and Palmieri (2021) 在文献中已经发表了许多研究，这些研究证明了机器学习方法在开发分类模型（诸如 多 层 感 知 器 ） 中 的 功 效 （ Das 等 人 ， 2018 ） ， 支 持 向 量 机（Homaeinezhad，2012），卷积神经网络（D'Angelo和Palmieri，2021）。针对ECG心律失常分类问题，提出了一种新的ECG心律失常分类方法IMBO-CNN。为了提高分类精度，提出了一种结合IMBO和CNN的混合方法。本研究的目的是总结这项工作在以下方面所作的重大贡献研究了几种特征描述符用于心律失常的识别采用了形态学特征和小波系数特征基于Monarch Butterfly Optimizer（MBO）的IMBO特征选择方法被开发，CNN被用作分类器。然后将所提出的技术应用于ECG数据库以确定其稳定性，并将结果与其他先前的元分析法进行比较。图 1示出了用于对ECG信号进行分类的方法的框图。首先，从MIT-BIH数据库获得预处理的ECG信号预处理分为两部分：用中值滤波器进行基线漂移去噪，用低通滤波器去除高频噪声第二阶段是特征提取，它从ECG信号中提取形态学和小波系数特征下一步是使用IMBO和CNN的该方法的最后一步是将信号分为两类：正常和异常。其余工作按以下方式组织第2节通过文献综述对先前的研究进行了MIT心律失常数据库、特征提取方法、MBO和IMBO方法以及CNN分类器都在第3节中详细讨论。实验结果的详细检查，以及与其他著名的元启发式算法的比较，包括在本文第四第5节总结了本文的研究结果。2. 文献综述ECG分类传统上是通过开发一种算法来从输入信号中提取重要特征，然后选择一个合适的分类器用于分类步骤来实现的。预处理、特征提取、特征约简和分类是大多数研究中使用的标准方法。使用弱线性分类器（WLC）和强支持向量机（SVM）分类器，Chen（2017）创建了一种混合分类器，提高了准确性，同时降低了能耗。该方法的缺陷是使用了一种混合分类器，其准确性很差。包括Xia（2018）在内的研究人员使用堆叠去噪自动编码器，以创建自动化系统（SDAE）。该技术被证明是对ECG信号进行分类的可靠方法然而，该方法的能力，以消除噪音是有限的，由复杂的噪声存在。Li和Zhang（2017）开发的CNN模型有六层，包括两个卷积层，两个池化层和两个完全链接层。该模型将MIT-BIH数据集分为五类，总体准确率为97.50%（正常、房室性早搏、室性早搏、右束支阻滞和左束支阻滞）。对于MIT-BIH心律失常数据集中五种不同类型心跳的分类，Yildirim（2018）的作者使用了具有双向LSTM的DWT层，并实现了99.39%的总体准确度。Sannino和DePietro（2018）介绍了一种深度学习技术，用于ECG心跳分类，准确率为99.48%。这种技术表现出高度的准确性，但它有一个艰难的时间trans-lating精度到现实世界的使用。Faust等人（2018）开发了一种基于深度学习的技术，并应用于到大型数据集。无论如何，提高诊断过程的整体质量是一项关键要求。Acharya（2017）开发的CAD模型用于自动识别ECG信号段并有效诊断心律失常。Oh等人（2019）的研究人员使用了来自MIT-BIH数据集1导联的1,000个10 s长的ECG片段。对于15个不同类别的分类，提出了一种16层的深度一维CNN，其分类准确率为92.51%，而对17个类别的分类，其分类准确率为91.33%。Acharya等人（2017）开发了一种心律失常诊断模型。这种方法的主要缺 点 是 无法 识 别 ECG 脉 冲 数 据出 现 的 时 间 顺 序。 Raj 和 Sandeep（2017）对形态特征应用粒子群优化（PSO）算法以降低特征维数。将这些特征应用于分类器对数据进行分类，分类准确率提高到98.82%。3. 方法3.1. 数据库这项工作的数据库取自MIT-BIH（Goldberger，2000年）。信号具有360 Hz采样率、11位分辨率和10 mV范围。共使用48个ECG信号记录。该数据库长达48小时，具有动态双通道ECG记录。数据收集对象为47人，包括32 - 89岁年龄组的25名男性和23 - 89岁年龄组的22名女性。符合数据是正常信号和异常信号的混合数据。Del Mar Avionics445型双通道卷对卷支架用于记录该ECG数据库。所记录的ECG信号是模拟形式的，●●●A. Nainwal，Y.Kumar和B.Jha沙特国王大学学报51022ð Þ ð ÞFig. 1. 拟议工作框图。模式660回放单元用于使信号为数字化形式。我们的研究忽略了包含定时搏动的四个记录，其余记录被分成两个大小相等的数据集，每个数据集包括来自36个记录的ECG数据。第一数据集（DS1）用于评估分类器的性能。选择参数值以优化分类器的性能。来自第二数据集（DS2）的数据用于评估系统的心跳分类性能，其基于独立和无偏的标准。 这两套数据库如下：2019 - 01 - 2200：00：00 00：00 00：00 00：002019 - 02- 21 00：00：00221,222,228,231.3.2. 预处理心电图机记录的信号中可能含有噪声，因此，需要对信号进行预处理，以去除心电信号中的噪声 通常，在该信号中发生基线漂移和电力线干扰（Chandrakar等人，2013年）。使用大小为600 ms和200 ms的中值滤波器去除基线漂移伪影（Singh，2015）。使用截止频率为35 Hz的低通滤波器来消除所有高频噪声，包括发生在50Hz频率处的电力线干扰 图 2显示了噪声和滤波信号。3.3. 特征提取为了理解信号的行为，信号的特征起着非常重要的作用。心电信号还具有不同的特征，如形态特征、统计特征、时域特征、频域特征等。形态特征是主要特征，因为可以通过ECG的形状检测心律失常（Chen等人，2006年）。本文着重论述了其形态特征。图3示出了ECG波形，其中P波由“X”符号表示波由“D”表示利用这些波的其他形态学特征-tures计算。小波变换（WT）是一种可扩展的时频分析方法，用于分析数据并揭示先前隐藏的短时傅立叶变换（STFT）消除了傅立叶变换（FT）仅用于分频的时间分割缺点。在小波变换中采用可伸缩窗口，减轻了短时傅里叶变换中窗口的限制因此，一个宽的窗口被用来打开信号中的低频部分，而一个较窄的窗口被用来检查高频特征。离散小波变换（DWT）技术允许将频率分量分解成许多级别，并且将其应用于数值计算，该技术表示为等式：1.一、DWTx;y2-xZmt：w2-x：t-ydt1这里，x是频率缩放参数，y是时移参数。小波函数由wt表示，m t是信号。还计算了基于小波系数的特征，这些特征表示ECG信号在频域和时域中的能量分布（Subasi，2007）。 图 4示出了信号的小波分解。小波分析信号的高尺度、低频分量表示近似，而小波分析信号的低尺度、高频分量表示细节表示。Daubechies小波（dB-6）用于找出小波系数（Rai等人， 2013年）。A. Nainwal，Y.Kumar和B.Jha沙特国王大学学报5103图二、ECG信号的原始信号和滤波输出图3.第三章。ECG信号的形态特征见图4。 一级分解。表1ECG特征列表。形态特征小波系数特征P波振幅和持续时间熵Q波振幅和持续时间平均值R波振幅和持续时间标准差T波振幅和持续时间最大值PQ间期最小值QR 间 期 ST间期QRS 宽度A. Nainwal，Y.Kumar和B.Jha沙特国王大学学报5104中文（简体）我i;kr1;kitermax><我fMt1是fMt1的适应度，fMt是fMt的适应度。我我我t2我我R3信号被分解为5个级别，因为这更适合于识别ECG信号的变化。这些级别是细节系数D1至D5和近似系数A5。从这些小波系数的平均值，熵，标准差，最大值和最小值的计算，以形成一个特征向量。表1列出了ECG的特征。3.4. Monarch Butterfly Optimization（MBO）该算法由Wang等人在2015年开发（Wang等人，2019年）。该算法是基于帝王蝶的迁徙行为。每年，这些帝王蝶都会在繁殖季节迁徙到北美。在该算法中，整个种群被分为两个土地：土地1和土地2。这些土地由它们的适应度值定义，分别称为子种群1和子种群2。土地面积1号的蝴蝶是X1<$pωXT<$且大小的土地2是X2X T-X1其中，X T是总人口，X1是亚人口，X2是亚群2。 这里每一个帝王蝶的位置都显示了心电图的特征。因此，所有提取的特征被分为两个子群。每只蝴蝶都有自己的适应值。这里的目标是选择具有最佳精度的最佳特征健身tbest;k图五. CNN结构是当前最适合的蝴蝶的第k个元素函数健身最大精度为1000蝴蝶的位置更新有两种不同的方式：迁移操作和蝴蝶调整操作。移民操作员。为了保持蝴蝶的种群，迁移操作符用下一代蝴蝶之一替换旧的或父代蝴蝶。迁移操作可以由t世代人口BAR定义蝶形调整率。c的值c¼W最大值为100瓦其中Wmax定义了蝴蝶在当前世代中可以单独dM是蝴蝶i可通过leby飞行t1i;ktr1;ktr2;k如果r6p否则ð3ÞdMlevyxt7其中Mt 1是Mi在t + 1代的第k个元素。 与Mt相同，Mt是第t代Mr1R1和R2分别是从子群体1和子群体2r的值定义为：rrandωpari4其中，rand值取在[0，1]之间，其中，rand是迁移周期。在这个基本的MBO中设置为1.2蝶形调节操作器。子种群2中蝴蝶的位置由该算子计算蝴蝶的位置种群中的全球最佳蝴蝶，在亚种群2中的蝴蝶之外更新蝴蝶的位置可以通过改善MBO。在基本目标优化算法中，BAR用于蝶形调整率，而在改进目标优化算法中，通过计算BAR出现的概率来确定各个参数Probabilit ybenefitBA R.0：3.1-iter 1- iter2-iter8-iter另一个修改是对新生成的蝴蝶进行的。在目标管理中，所有的新一代蝴蝶都被接受，但这里我们将新一代蝴蝶的适应度与当前一代蝴蝶的适应度进行比较，如果新一代蝴蝶的适应度优于其他蝴蝶，则认为它不适合。t1（Mt1我fMt1>fMt我我8tMinw¼tð9ÞM最佳;k如果rand6t否则，最大值1¼Mt>：Mtc如果rand>h^rand6BAR-0： 5如果rand>h^rand>BAR，ð5Þ其中Mt1是下一代的新一代蝴蝶。表2CNN模型每一层的细节。层图层名称输出数量激活函数滤波器大小步幅1卷积48x64ReLU312卷积64x128ReLU323Max-pooling4x5ReLU214变平40---5密集20tanh--6密集2Softmax--其中M（M）Mi;kKA. Nainwal，Y.Kumar和B.Jha沙特国王大学学报5105表3业绩指标。业绩指标TP（真阳性）正常信号被预测为正常信号TN（真阴性）异常信号被预测为异常信号FP（假阳性）异常信号被预测为正常信号FN（假阴性）正常信号被预测为异常信号Se（灵敏度）TP/TP + FNSp（特异性）TN/FP + TN准确度TP + TN/TP + TN + FP + FN FPR（假阳性率）FP/FP+ TNFNR（假阴性率）TN/FP + TN3.5. 卷积神经网络卷积神经网络（CNN）是一种特殊类型的深度学习模型，它利用多个过滤器，通过卷积运算来完成特征约简操作。本研究使用1D CNN进行研究，并通过将滤波器乘以ECG信号的对应元素。产品被积累起来，然后被传递到下一层。在这种情况下，滤波器必须通过移动到下一组步幅来再次开始相同的过程。CNN分类器用于ECG信号的分类（Baloglu，2019）。优化的特征作为输入应用于CNN模型。CNN结构的细节在表2中给出，图形框图在图5中示出。在该方法中总共使用六个层。给定模型是序列模型。在模型的第一层和第二层中，使用了带有ReLU激活函数的1D卷积。批次标准化层用于标准化该层的每个批次的激活输出。第二层是最大池层，它使用前面几层特征图中的最高值来创建新的特征图，以选择在所讨论的地图上放置新特征点的位置。随着区域变得更加突出，前一层的特征图变得更小。在深度学习系统可以以较低的计算成本运行之前，减小特征图的大小是至关重要的。当利用最大池化层时，使用其他方法（如平均值），而不是使用可能的最高值。在拟议的深度网络的第四层上，有一个扁平层，它允许第三层生成的特征映射被转换为足够大的大小，以用作模型后续层的输入。通过使用该层的变换，多维输入特征向量被减少到一维输出数据。20个单元的全连接（密集）链接神经网络层接收平坦化层的特征并将其应用于网络。网络的最后一层包括一个密集层，具有softmax激活函数和两个输出类别。使用softmax层，可以预测传入数据将属于哪个类别。在密集层（第5层）中使用Dropout参数（0.1），以避免学习过程中的过拟合。对于第一个卷积层，步幅（滤波器移动的量）设置为1，对于第二个卷积层，步幅设置为2。stride参数设置为1到最大池化层见图6。ECG信号的近似系数和细节系数。A. Nainwal，Y.Kumar和B.Jha沙特国王大学学报5106见图7。 优化功能。图8.第八条。CNN、MBO-CNN和所提出的方法相对于纪元数的准确度图4. 结果和讨论所提出的工作是通过利用MATLAB 2015a的工作阶段与系统配置，i5处理器，4 GB RAM和Google开源collab.research用于Python。MATLAB用于信号的预处理和信号特征的提取。在python中执行特征优化和信号分类。提出的方法的评估是通过特殊的性能指标。 表3显示了在建议的工作中使用的性能指标。在去除信号中的噪声之后，从ECG信号中提取P、Q、R、S、T波用于形态特征。小波系数也用于ECG特征的计算 图图6示出了信号D1到D5的小波变换分解和近似A5。这些系数的均值、熵、标准差、最大值和最小值用于ECG信号的特征。图7中的条形图显示了特征分布。根据对识别ECG信号类型的推荐技术的仔细研究，它在此过程中起着关键作用。小波特征的选择率为40%（30个中有12个），而形态特征的选择率为63%（8个中有5个），这是值得注意的。结果，推荐的CNN-IMBO方法将所有38个特征的大小减少了56%。换句话说，只有44%的特征用于创建分类模型。图8示出了历元的数量与时间的准确度之间的准确度曲线图。分类器。CNN分类器的epoch（迭代）总数为100。这说明改进的MBO-CNN的准确性优于基本MBO优化的CNN和未优化特征的CNN。表4列出了拟议演示的执行措施。在这里，四个信号的结果被独立地概述，并描绘了表现。根据TP、TN、FP和FN值，评估其敏感性、特异性、准确性、FPR、FNR等指标。对3号信号的诊断准确率最高为99.44%，敏感性为99.26%，特异性为99.21%。基本上，其他信号来一个理想的结果.该表显示了所提出的方法的总体性能。该方法的准确性为99.49%，敏感性为99.58%，特异性为98.83%。表4单个信号的性能指标分析。号风球TPTNFPFNACCSeSPFPRFNR14023888127798.2298.1298.671.331.8824059883174198.8499.0098.111.891.003406889553299.2699.2299.440.560.7844086860401498.9299.6695.564.440.34A. Nainwal，Y.Kumar和B.Jha沙特国王大学学报5107见图9。 混淆矩阵（a）完整数据集（b）测试数据集。表5完整数据集的性能指标分析正常异常TPTNFPFNACCSeSPFPRFNR整组4807070224787069408220099.4999.5898.831.170.42测试集96141404948913891512598.7398.7098.931.071.30图9显示了实验结果的混淆矩阵，a部分是整个数据集的混淆矩阵，b部分是测试数据集的混淆矩阵。行定义实际标签，列定义预测标签。如果预测的标签（正常或异常）与实际标签（正常或异常）匹配，则称为TP或TN。如果预测的标签与实际标签不匹配，则称为FP或FN。表5显示了对拟议工作的完整分析。所提出的工作实现了99.49%的准确性，99.58%的灵敏度和98.83%的特异性的整体数据集。FPR是1.17，FNR为0.42。最小FPR和FNR表明该模型具有较好的效率。对测试数据集的准确度为98.73%，灵敏度为98.70%，特异度为98.83%。 图表10和表6显示了具有几个改进的CNN分类器的 结 果 。CNN分类器达到94.93%，表6具有所有功能和优化功能的可比表方法准确度灵敏度专属性美国有线电视新闻网94.93 94.65 96.85CNN-MBO97.75 97.77 97.75建议方法当使用目标优化技术对特征进行优化时，它获得了97.75%的准确率。我们建议的方法，达到99.49%，是优越的，并提供了CNN分类器的最佳特征，如这些结果所示。心电图分类的几种算法见图10。与所有功能和优化功能进行比较。A. Nainwal，Y.Kumar和B.Jha沙特国王大学学报5108表7与其他前期工作的比较研究作者年类特征方法SeSpACC03TheDog（2010）20106形态PSO-RBNN96.2599.10-Martis（2013）20135双谱主成分分析SVM99.27-93.48Shadmand和Mashoufi（2016）20165隐函数系数，时间PSO块神经网络7398.997.7电影Sannino and De Pietro（2018）20182形态学，RR间期DNN99.4899.8399.68迪克尔（2020）20202形态学，小波系数DEA-ELM5097.797.5Romdhane和Pr（2020）20205RR间期CNN-焦点损失--98.41拟议工作20212形态学，小波系数IMBO-CNN99.5898.8399.49从PhysioBank收集的数据在表7中讨论。表7中列出的各种方法产生了极好的诊断结果。在特征提取步骤中，表7中描述的大多数研究使用形态特征检测。虽然提出的CNN-IMBO模型在正常和异常ECG信号的分类中没有达到100%的准确性，但这是第一个使用CNN-IMBO模型将ECG信号分类为正常和异常分类的研究。表7列出了各种先前的分类方法，如SVM、PSO-RBNN、PSO-NN、DNN等。将分类器的结果与使用Se、Sp和Acc的建议技术进行比较。与表7中提到的所有其他剩余方法相比，所建议方法中的Se值更高。与此同时，与Sannino和DePietro（2018）相比，所提出的方法中的Sp和Acc较低，因为DNN使用的数据数量较多，即55092次跳动，而不是使用4576次跳动数据。 尽管使用了大量数据集，但与Sannino和De Pietro（2018）相比，所提出的方法显示了一个分析结果。根据这些观察，可以得出结论，由于使用BAR的概率来检测参数的位置并且根据它们的适合度用旧蝴蝶替换新生成的蝴蝶，改进的MBO技术提供了与其他分类方法相比5. 结论心电图分析有助于心脏病专家为心脏病制定更有效的治疗策略。 它有可能更有效、更迅速地改善和保障成千上万人的生命。心电图（ECG）是在限定的时间长度上记录心脏的电活动，因此被认为是用于评估心脏功能的心脏诊断的关键组成部分。本文提出了一种基于IMBO和CNN的ECG数据自动分类方法IMBO-CNN。当选择适当的特征和优化CNN参数时，IMBO方法用于通过提高分类模型的准确性来提高分类模型的准确性。该方法包括ECG信号自动分类的三个阶段：有效的预处理模块、特征提取模块和特征优化与分类模块，该方法是一种提高常规CNN模型准确性的优化技术。这里采用改进的帝王蝶优化算法进行优化，这是基本目标优化的改进版本。该模型在整个数据集上实现了99.49%的准确性，99.58%的灵敏度和98.83%的特异性。该方法的FPR为1.17%，FNR为0.42%与其他以往的方法相比此外，所提出的方法的精度优于普通的CNN模型。未来的研究可能涉及使用混合分类器结合基于机器学习的方法来识别心律失常，不规则心跳，以及与心律失常相关的多类ECG数据的分类。遵守道德标准没有收到协助编写这份手稿的资金。本文不包含任何作者对人类参与者或动物进行的任何研究。所有数据库均取自MIT-BIH数据库（Goldberger，2000）。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用阿查里亚湾Rajendra等人，2017.基于卷积神经网络的不同心动过速间期心电图自动检测心律失常。告知。Sci. 405，81-90。阿查里亚湾Rajendra等人一种用于心跳分类的深度卷积神经网络模型计算机在生物学和医学89（2017）：389Alonso-Atienza，Felipe等人，2013年。 使用特征选择和支持向量机检测危及生命的心律失常。IEEE Trans.BioMed. Eng. 61（3），832-840。Baloglu，Ulas Baran等人，2019.基于多导联心电信号和深度CNN的心肌梗死分类。模式n。Lett. 122，23-30。心血管疾病（CVD），https://www.who.int/news-room/fact-sheets/detail/cardiovascular diseases-（cvds），2017年5月17日。Ceylan，Rahime，Özbay，Yüksel，Karlik，Bekir，2009.一种新的心电图心律失常分类方法：2型模糊聚类神经网络。专家系统应用36（3），6721-6726。Chandrakar，Bhumika，Yadav，O.P.，钱德拉，V.K. 2013.心电信号去噪技术综述。国际计算机通信高级研究杂志Eng.2（3），1354-1357。乔拉，议员H.K. Verma和Vinod Kumar。收回：一种新的统计PCA- ICA算法，用于ECG中R峰的定位（2008）：146De Chazal，Philip，and Richard B.赖利使用ECG形态和心跳间隔特征的患者适应性心跳分类器IEEE生物医学工程学报53.12（2006）：2535-2543。Chen，Zhijian等人，2017.用于心律失常检测的具有弱-强混合分类器的节能ECG处理器。IEEE Trans. Circuits Syst. II ExpressBriefs 65（7），948-952。陈思文，陈晓珍，陈晓龙，2006。提出了一种基于滑动平均结合小波去噪的实时QRS波检测方法。计算机方法程序生物医学。82（3），187-195。D'Angelo，Gianni，Palmieri，Francesco，2021. GGA：一种基于梯度局部搜索的改进遗传算法，用于求解约束优化问题。信息科学547，136-162。D'Angelo，Gianni，Palmieri，Francesco，2021.使用深度卷积递归自编码器神经网络进行时空特征提取的网络流量分类。J.网络计算机应用173，102890。Das，Anup，Catthoor，Francky，Schaafsma，Siebren，2018. 基于多层感知器和心电时频联合分布的可穿戴设备心跳分类。在：2018年IEEE/ACM互联健康国际会议论文集：应用，系统和工程技术。 69比74Diker，Aykut等人，2020.一种基于DEA-ELM的心电信号分类新方法Med. Hypotheses136，109515.Faust，Oliver，et al.基于生理信号的医疗保健应用的深度学习：综述。生物医学中的计算机方法和程序161（2018）：1戈德伯格例如，2000. PhysioBank，PhysioToolkit和PhysioNet：复杂生理信号的新研究资源的组成部分。循环101（23），e215-e220。A. Nainwal，Y.Kumar和B.Jha沙特国王大学学报5109Hen，Hu，Yu，Palreddy，Surekha，Tompkins，Willis J.，1997.使用专家混合方法的患者自适应ECG搏动分类器。IEEE生物医学学报工程44（9），891-900.Homaeinezhad，Mohammad Reza等人，2012.基于虚拟QRS图像几何特征的神经-SVM-KNN混合分类器的ECG心律失常识别。专家系统应用39（2），2047-2058。Jewajinda，Yutana，Chongjuvatana，Prabhas，2013.自适应硬件并行遗传算法及其在心电信号分类中的应用。神经元计算Appl.22（7），1609-1626。Kaur，Manpreet，Arora，A.S.，2012.基于LDA的心电信号分类，并以因子分析作为特征约简技术。医学工程技术杂志36（8），411-420。Korörek，Mehmet，Do gGogan，Berat，2010. 基于粒子群算法和径向基函数神经网络的心搏分类。专家系统应用 37（12），7563-7569。Li，Hongqiang等人，2017.遗传算法优化特征和神经网络在心电信号分类中的应用。Sci.众议员 7（1），1-12.Li，Dan，Zhang，Jianxin，2017.张强，魏小鹏。基于一维卷积神经网络的心电信号分类。2017年IEEE 第19届电子健康网络、应用和服务国际会议（Healthcom ）。IEEE，pp. 1比6Llamedo，Mariano，Martínez，Juan Pablo，2010.使用由数据库泛化标准驱动的特征选择的心跳分类。IEEE Trans. BioMed. Eng.58（3），616-625。Mahmoodabadi ， S.Z. ， Ahmadian ， A. ， Abolhasani ， 医 学 博 士 ， Eslami ， M. ，Bidgoli，J.H.，2006年。基于多分辨率小波变换的心电信号特征提取。2005年，IEEE Engineering in Medicine and Biology 27th Annual Conference。IEEE，pp.3902- 3905Martis，Roshan Joy等人，2013年。使用高阶谱的心脏决策BioMed.信号处理。对照8（2），193-203。Martis，Roshan Joy，Chakraborty，Chandan，Ray，Ajoy K.，2009.一种基于高斯混合模型的心电图配准和分类的两阶段机制。模式n。42（11），2979-2988。哦，Shu Lih等人。在具有异质心律失常类型的扩展心电图记录上使用改进的U-网络进行自动逐搏心律失常诊断计算机在生物学和医学105（2019）：92Rai，Hari Mohan，Trivedi，Anurag，Shukla，Shailja，2013. 基于多分辨率小波变换和人工神经网络分类器的ECG信号异常检测。测量46（9），3238-3246。Raj Sandeep和Kailash Chandra Ray使用基于DCT的DOST和PSO优化的SVM分析ECG信号IEEE Transactions on instrumentation and measurement 66.3（2017）：470Rajesh Kandala NVPS和Ravindra Dhuli基于非线性分解和支持向量机的心电信号分类。计算机在生物学和医学87（2017）：271Romdhane，Taissir Fekih，Pr，Mohamed Atri，2020.基于深度卷积神经网络和病灶丢失的心电图心跳分类。Comput.生物医学123，103866。Sannino，Giovanna，De Pietro，Giuseppe，2018. 用于心律失常检测的基于ECG的心跳分类的深度学习方法。未来一代计算机系统86，446-455。Shadmand，Shirin，Mashoufi，Behbood，2016.基于块神经网络和粒子群优化的个性化心电信号分类新算法。BioMed.信号处理。控制台25，12-23。Singh，Yogendra Narain，2015.使用心跳间隔特征和ECG形态的Fisher判别分析进行人体识别。神经计算167，322-335。Subasi，Abdulhamit，2007年。自适应神经模糊推理系统应用于小波特征提取癫痫发作检测。计算机生物学37（2），227-244。Ubeyli，Elif Derya，2009.结合递归神经网络和特征向量方法的心电信号分类。数字信号处理19（2），320- 329。Wang，Gai-Ge，Deb，Suash，Cui，Zhihua，2019.帝王蝶优化。Neural Computing Appl. 31（7），1995吴，杨，张，李青，2011年。基于ICA特征和支持向量机的ECG分类。在：神经信息处理国际会议。Springer，Berlin，Heidelberg，pp. 146-154。Xia，Yufa等人，2018.可穿戴心电图心律失常自动分类系统。IEEE Access 6，16529-16538。Ye，Can，Vijaya Kumar，B.V.K.，科英布拉，米格尔·塔瓦雷斯，2012年。利用ECG信号的形态学和动力学特征进行心跳分类。IEEE生物医学学报Eng.59（10），2930-2941中所述。Yildirim，Özal，2018.一种基于深度双向LSTM网络模型的新型小波序列用于ECG信号分类。 计算机在生物学和医学96，189-202。