深度学习预测心律失常的自动分析技术：基于混合特征与DNN模型的有效应用.

智能系统与应用16（2022）200127基于深度学习的系统使用变换技术的混合特征来预测心律失常SantanuSahoo a，Pratyusa Dash b，B.S.P. Mishra c，Sukanta Kumar Sabut d，*a印度奥里萨邦布巴内斯瓦尔SOA被视为大学欧洲经委会系b印度西孟加拉邦加尔各答传统技术学院计算机科学工程系c印度奥里萨邦布巴内斯瓦尔KIIT被视为大学计算机工程学院d印度奥里萨邦布巴内斯瓦尔KIIT大学电子工程学院A R T I C L EI N FO保留字：ECG信号心律失常信号分解DNN模型和RF分类器A B S T R A C T心律失常的早期和准确的检测是必不可少的，降低由于心脏疾病的死亡率。 心电图（ECG）信号的手动筛选是耗时的、费力的，并且容易出现人为错误。本文提出了一种使用MIT-BIH数据库中的RCG信号自动检测心律失常的深度学习方法。采用离散小波变换（DWT）、经验模式分解（EMD）和变分模式分解（VMD）等多种分解技术对心电信号进行去噪处理。基于时频的多域特征是从来自去噪信号的子带的各种系数中提取的。这些获得的功能进行排名卡方检验和粒子群优化（PSO）的基础上选择最好的信息功能，以更好的分类精度。采用十重交叉验证策略的深度神经网络（DNN）对混合特征进行分类，对五种类型的ECG搏动进行分类。最好的结果是获得了99.75%的准确性与较少的计算复杂度为0.14秒，使用卡方选择方法。因此，该模型可以用于医院设置，以自动筛选异常心电图搏动。1. 介绍在全球范围内，由于心血管疾病（CVD）导致的平均死亡率为每100，000人中约235人，但在印度，该比率略高，为每100，000人中约272人（Prabhakaran等人，2016年）。使用心电图（ECG）信号的自动分析的早期检测可以挽救生命并有助于为心脏病患者提供及时的治疗（Sameni等人，2007年）。电极的移动和肌肉震颤导致ECG信号中的噪声和伪影。需要使用各种滤波器来预处理这些ECG信号，然后可以从它们中提取相关特征（Ebrahimzadeh等人，2015; Zhang等人，2019年）。目前，基于时频方法的不同混合特征方法已用于心律失常检测（Adnane Belouchrani，2017&;Qurraie Afkhami，2017&）。ECG的分解可以通过使用离散小波变换（DWT）来完成，离散小波变换（DWT）在时间-频率域中提供原始信号的足够信息（Addison，2005; Sahoo等人，2017; Singh &Tiwari 2006）。一种用于检测单导联心电图信号（Martinez等人，2005年）。基于多分辨率WT变换、主导重缩放小波系数（DRWC）和离散小波的不同系统被有效地用于检测R峰和QRS 波群（Ghaffari等人， 2008 年; &Mitra ，2010年; Tantawi&Revett，2015年）。Hilbert-Huang变换（HHT）结合小波变换在发现ECG信号中的QRS 波 群方 面产 生了 更好 的检 测结 果 （ Übeyli ，2008;Yan Lu ，2014&）。 一篇综述文章强调了经验模态分解（EMD）和集成EMD（EEMD）技术在对ECG信号进行降噪中的重要性，其从ECG信号中去除了噪声、电力线干扰和基线漂移（Han等人，2017年）。结合DWT和EMD方法的方法是有效的时间分辨率分析，并且在检测ECG信号的QRS波群和其他波时提供更好的结果（Kabir &Shahnaz，2012;Nimunkar&，Tompkins，2007; Rabbani等人，2011年）。Slimane等人（2010）报告称，使用EMD检测来自MIT-BIH数据库的ECG的QRS波群的准确率更高。在最近的一篇文章中，在基于卷积神经网络的心肌梗死（MI）检测中实现了95.22%的更好检测准确性。* 通讯作者。电子邮件地址：sukanta207@gmail.com（S.K. Sabut）。https://doi.org/10.1016/j.iswa.2022.200127接收日期：2022年4月18日;接收日期：2022年7月8日;接受日期：2022年2022年9月16日网上发售2667-3053/© 2022作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsS. Sahoo等人智能系统与应用16（2022）2001272Fig. 1. 拟议方法框图。神经网络（CNN）算法（Acharya等人，2017年）。在包括EMD和EEMD的特征提取组合方法中，使用顺序最小优化-支持向量机（SMO-SVM）分类器对五种类型的ECG搏动进行分类的准确度为99.20%，灵敏度为98.01%（Kandala Dhuli，2017&）。 Suche-tha等人（2017）介绍了一种基于EMD的更好方法，用于有效分析ECG信号等非平稳信号，但其计算时间很长。Dragomiretskiy和Zosso（2014）提出了变分模式分解（VMD）模型，以克服EMD过程分解ECG信号的局限性。Maji等人（2015）使用VMD技术对ECG信号进行分解，在检测心室QRS波群方面取得了良好的效果。近年来，经验模态分解（EMD）和虚拟模态分解（VMD）相结合的方法被证明可以有效地对心电信号进行去噪和心律失常 搏 动 的 检 测 （ Acharya例 如 ， 2017; Chang ， 2010; Jovic&Bogunovic，2012; Mert，2016）。此外，还表明混合特征集提高了心律失常检测的准确性（Anwar等人， 2018年）。在最近的研究中，发现深度学习方法更有效，在分类心律失常搏动方面比传统的机器学习方法更有效（Kim等人，2020年）。Sannino和Pietro（2018）提出了一种深度学习方法来对ECG搏动进行分类，准确率达到99.09%。Yıldırım等人（2018）使用1D-CNN模型对17种心律失常类别进行分类，并报告准确率为91.33%。Shi等人（2020）提出了一种用于心律失常分类的CNN和长短期记忆（LSTM）网络的组合。他们提取了心跳和RR间期特征用于分类，并报告了在面向类的方案下的99.26%的准确率。Hannun等人（2019）使用91，232个单导联ECG开发了一种深度神经网络（DNN），其受试者工作特征曲线下面积（ROC）为0.97。Isin和Ozdalili（2017）开发了一种深度学习模型来对ECG beta进行分类，并报告了92%的准确率。 Wu等人（2021）提出了一种有效的12层深度I-D CNN，用于通过使用MIT-BIH心律失常数据库对心跳类型的五个微类别进行分类。采用小波自适应阈值法对信号进行去噪，然后进行分类。将结果与神经网络，随机森林和其他CNN网络进行了比较。实验结果表明，该方法具有较好的抗噪声能力，准确度达到97.41。Li等人（2022）开发了一种深度学习模型，使用由心律失常的Q、R和S复合特征组成的混合特征集侦测。 他们用一维卷积神经网络对混合集进行分类，神经网络（CNN），准确率达到98.98%。在 这 在审核过程 提出了一种 ECG自动分类使用混合特征集心律失常检测系统。首先对心电信号进行离散小波变换、经验模态分解和虚拟模态分解，然后从分解后的心电信号中提取时频域特征，并将各个特征组合成一个大数据量的混合特征集。通过卡方检验和粒子群优化搜索方法对提取的各子带系数的信息特征进行排序，以选择最佳信息特征，提高分类精度。然后使用随机森林和深度神经网络分类器对排名的特征进行分类，以对心律失常搏动进行分类，并将结果与少数已发表的文章进行比较。2. 材料和方法2.1. 心电数据库在这项研究中，我们使用了从MIT-BIH心律失常数据库中提取的正常和危及生命的心律失常的ECG记录。数据库的源文件来自Beth Isreal医院心律失常诊断中心（Moody &Mark，2001）。它由48个30分钟的双通道动态记录的ECG信号组成，其中每个信号在0.1-100 Hz下进行带通滤波，并在360 Hz下采样。 将数据库分为两组，其中一组包含从混合群体中随机选择的编号为100至124的记录（23个记录，缺失一些数字），其余信号为200至234（25个记录，缺失一些数字）。数据库中有116，137个QRS波群。数据库中的每条记录都有两个导联，其中45个文件修改了导联II，40个文件修改了导联V1，II、V2、V4和V5被分发 超过11个记录根据美国医疗器械促进协会（AAMI）的建议，将MIT-BIH心律失常数据库合并为五个类别。AAMI推荐的分类为N（正常和束支传导阻滞型搏动）、S（室上性异位搏动）、V（室性异位搏动）、F（正常和VEB融合）和Q（未知搏动，包括起搏搏动）。2.2. ECG信号分析在任何ECG自动化过程中，数据分析包括去噪、峰值检测、特征提取和心律失常分类。首先，使用小波变换对ECG信号进行降噪，并从每次心跳中检测R峰和QRS波群（Kabir Shahnaz，2012&）。 图 1表示详细的框图S. Sahoo等人智能系统与应用16（2022）2001273∑（）下一页L∑∑∑∑‖∧∨L2i-1（t）q（t）=1t-q（）=lj=1（（）-）不（）+πt∗l（）L2L提出了ECG搏动分类方案。在检测QRS波群之后，选择260个样本的窗口（Rloc前后130个样本）来获得心动周期。2.3. 混合特征EX tracting 和 选择 的 适当 时频域Ns（t）=IMFi（t）+rN（t）（ 6）i=1其中N是具有零均值的IMF的数量;rN t是具有低频率水平的最终残差。两个连续的筛选结果用于计算标准偏差（SD），也用于停止筛选过程。它由以下方程给出：特征提高了分类器的性能。 直接和反式-N2使用形成方法来变换特征。直接法-纹理提取方法包括特征，即开/关峰、宽度标准差= ∑ |L i-1（t）-L i（t）|<ε（7）和QRS波群的高度和心跳间隔，而时间-从变换方法中得到频率特征。该特征集由两个心跳间隔特征、四个时域特征、二十个小波变换特征、六个EMD特征和十二个VMD特征组成。2.3.1. 离散小波变换DWT的时间-频率局部化使其适用于非平稳信号，如ECG（Kirst等人，2011年）。ECG分割后 信号，DWT 是 应用 与 一 选择 窗口获得区分形态特征。在DWT中，信号是decom-其中i是信号s（t）和包络平均值e（t）之间的第i个差的索引。项ε是用于停止该过程的预定值。在这项工作中，处理后的ECG信号被分解到第四级，具有相等的数据长度IMF1，IMF2，IMF3和IMF4。第二和第三IMF被认为是用于选择特征向量，因为它包含信号的最大信息。从分解的信号中提取以下统计特征：平均值（μ）=1∑y（j）（ 8）基于使用母小波的缩放和移位函数提出，并表示为（）下一页（一L方差σj=1√̅1̅∑lyJ（9），pp其中p，q εR，p>0，R是小波空间。偏度β1∑（y（j）-μ）3（10）信号y（n）的小波变换表示为：∞（）=-lj=1σ（l）y（m，n）= y（n）×m，n（n）（2）t=-∞计算信号x的DWT，将其与具有脉冲响应m的低通滤波器卷积，得到：∞y[n]=（xm）[n]=x[k]m[n-k]（3）k=-∞∞y低[n]=x[k]m[2n-k]（4）k=-∞∞y高[n]=x[k]h[2n-k]（5）k=-∞其中l是IMF的长度。可以从IMF2和IMF3中提取总共SIX个特征向量。EMD特征={μ I2，σ I2，β I2，μ I3，σ I3，β I3}2.3.3. 变分模式分解对噪声和采样的敏感性是EMD过程的主要限制。在EMD中，ECG信号是以不同的IMF从高频到低频递归分解的，而VMD是以与EMD相反的频率顺序非递归地分解为不同的模态。在VMD中，信号围绕其中心频率从低到高分解为不同的模式，并共同重建原始信号（DragomiretskiyZosso，2014&）。VMD方法的详细数学描述如下：采用基于Daubechies 6（db6）的小波函数进行分解，最小值{∑L[（σtj）ut]e-jw t第二章（十一）因为它包含ECG信号的最大临床信息。我们提取了统计特征，如最大值，最小值，平均值和标准差的每个子带。从每个小波系数中提取了总共20个特征离散小波变换特征：{D1，D1，μD1，σD1，D2，D2，μD2，σD2，D3，D3，μD3，σD3，D4，D4，μD4，σD4，A4，A4，μA4，σA4}其中，是最小值，是最大值，μ是平均值，σ是标准差。2.3.2. 经验模态分解（EMD）特征它适用于非平稳和非线性信号的分析。它将信号分解成有限数量的包含信号振荡信息的固有模式函数（IMF）（Huang等人， 1998; Kaergaard等人，2016年）。每个IMF相对于其局部均值是对称的，并且也具有相同数量的过零点和极值。通过迭代过程，在每个尺度下找到IMF，从细到粗。最后，信号s（t）表示为：t=0ECG信号具有细节系数（D1-D9）和近似系数（A9）的九个等级。我们已经考虑了前五个层次‖S. Sahoo等人智能系统与应用16（2022）2001274}（）受∑ul（t）=p（t）L其中输入信号为p（t），wl（t）为中心频率。{u 1} = {u1，u2，. μl是分解模式，σt是狄拉克分布。对重建问题引入了Langragian乘子和二次罚函数构造信号。低频分量表示为u的高阶分量。信号被分解为四个不同的模式（模式1到模式4）w.r.t中心频率。VMD克服了小波变换的高调谐参数问题，因为分解所考虑的调谐参数较少。在较高模式下，它分离高频分量，因此信号不受噪声影响。信号起点和终点的任何变化都能被准确检测到。由于这些优点，VMD方法是一个合适的选择，以消除噪声和提取信息特征。以下统计特征（均值、方差和偏度）是从S. Sahoo等人智能系统与应用16（2022）2001275模式-1到模式-4。图二. 提出的RF分类器的结构。Breiman（2001年）。RF中的分类树是通过选择fea-提取的VMD特征={μm1，sm 1，βm1，μm2，sm 2，βm2，μm3，sm 3，βm3，μm4， sm4，β m4}2.4. 特征选择选择相关特征是机器学习过程中获得最佳分类性能的一项重要任务。它简化了模型以便于解释，降低了特征向量的维度，缩短了训练时间，并降低了计算复杂性（Mohanty等人，2018年）。特征选择技术从数据集中去除冗余或不相关的特征，而不会丢失太多信息。我们已经使用了基于粒子群优化（PSO）搜索和卡方检验方法的两种选择方法（Bing等人，2013; Liu &Setionu，1995）以选择最佳执行方法。2.5. 分类2.5.1. 随机森林分类器它是一种有效的机器学习分类器，从随机样本中提取样本，以获得类别标签。RF分类器的结构网络如图所示。 二、在RF分类器中，最好的功能是选择基尼指数，然后被用来建立二叉树。分类和回归状态的RF算法如下：训练实例的总数为P，分类器中的属性数量为Q。从P个实例中选择最佳区分属性该树的训练集是从N个训练案例中选择的，并且通过预测它们的类来估计剩余案例的误差。然后为每个节点随机选择m个变量进行决策，并从训练集中的m个变量中计算最佳分割树向下移动以在终端节点处分配训练标签以用于预测新样本。该过程在所有树上迭代，森林的预测输出是通过平均所有树的值来完成的。使用X，Y分布随机向量的分类器的边缘函数是：·····S. Sahoo等人智能系统与应用16（2022）2001276j闪烁=Y（）= [（）]图三. 用于心律失常检测的DNN架构。mg （ X ， Y ） =avk （ hk （ X ） =Y ） -maxavk I （ hk （ X ） =j ）（12）在那里我。 是指示函数，h k h1x，h2x，........，h k x是集成分类器，X，Y是随机向量，mg是边缘。分类器的泛化误差定义为：表1从不同变换技术的各种系数中提取的特征列表。功能描述功能描述功能描述PE=PX，Y（mg（X，Y）0）（13）Qint QRS间期σD3标准偏差βI3imf3的偏度下标X，Y表示X，Y空间上的概率。当树的数量增加时，泛化误差收敛到：PintPR间期特征D3^D4D4的最小µI4IMF4的平均值PX，Y（PX（x）=（X），n）=YmaxPJ YX（x）=（X），j）=j）<（0）（14）RRiRR前RR间期员额D4µD4的最大sI4imf4的方差scin=（i+1）间隔D4平均值D4βI4偏度由于收敛，即使当RR较大时，RF也不会过拟合RR平均值σ标准µ国际货币基金组织4增加了一些树木预测器h（X）的平均标准泛化误差为：一项D4RR RR local ^D4偏差m1模式1的平均值s方差EX，Y（Y-h（X））2（15）L平均A4最小m1A4值模式1当森林中的树木数量达到无穷大时，^D1D1的最小A4最大值A4βm1模式1的偏度ΔD1最大值µA4平均值4µm2平均值EX，Y（Y-avk h（X，k））2→EX，Y（Y-Eh（X，k））2（16）µD1值σ标准s模式2对于所有的ε，EY=EX h（X，ε），泛化误差由下式给出：D1平均值D1A4A4偏差m2模式2的方差PE木（林）≤ρPE木（树）（17）σD1标准差µI1imf的平均值1βm2模式2D1其中，ρ是残差Y-Eh（X，λ）和sµ的方差平均值⊖Y-Eh（X，′）其中和′是独立因子。D2最小值D2值I1`国际货币基金组织1M3模式3由于森林平均了一组m棵树的预测，最大值βI1偏度sm3方差的加权函数，其预测由下式给出：D2值µ国际货币基金组织1）─S. Sahoo等人智能系统与应用16（2022）2001277模式3D2平均值D2 µI2平均值imf2βm3偏度模式3y1∑ 1 （∑m宽xx′）y（十八）σD2标准品Si2方差µm4平均值n=mi=1mj=1j（i，）我D2偏差^D3最小值国际货币基金组织2βI2偏度模式4sm4方差2.5.2. 深度神经网络模型D3值国际货币基金组织2模式4DNN模型的结构被修改为具有两个以上最大值µI3imf的平均值3βm4隐藏层（Jurgen，2015）。基本上，它遵循前馈网络-µD3值模式4将数据从输入层传输到输出层。最初，它创建一个虚拟神经元的映射，并随机分配一些权重，这些权重相乘，并在输出端返回0到1之间的值。为了更好地重新组织D3D3sI3方差国际货币基金组织3nS. Sahoo等人智能系统与应用16（2022）2001278表2使用卡方检验和PSO搜索特征选择方法获得的所选特征的总结卡方检验粒子群搜索特征权重等级特征名称特征权重等级特征名称特征权重等级特征名称特征权重等级特征名称26，287.42 1 µA4 12，695.96 26 βI4 0.491 1 µA40.124 26 µD426，287.34 2 sm1 12，655.56 27 RRa 0.491 2 sm10.124 27 µI423，951.62 3 βI112，655.48 28 sm2 0.445 3 sm3 0.123 28 Qint23，468.25 4 µm212，655.47 29 µm40.445 4 RRi0.116 29 µD223，468.15 5 µI19970.99 30 µD40.435 5σD10.112 30 βm122，939.84 6 sI1`9970.88 31 µI40.420 6 βI1 0.112 31σA420，645.69 7微克A49484.98 32 RRl0.325 7 µm1 0.109 32 RR（i+1）20，645.68 8 µm1 9484.61 33 βm20.325 8A4 0.109 33 βm320，009.48 9 RRi 9484.57 34 sm4 0.322 9 ^D2 0.108 34 mmD320，009.41 10 sm38081.67 35 µD30.232 10 μm2 0.108 35 sI219，417.46 11σD28080.67 36 βI2 0.232 11 RRl 0.103 36 ^D119，354.10 12σD17913.91 37 sI3 0.232 12 sm40.103 37 µm318，781.09 13σA47913.80 38 ^D40.204 13 ^A40.103 38 βm418，781.05 14 βm16655.16 39 Pint0.204 14 βI4 0.103 39 sI317，635.80 15 µD25813.69 40 sI20.175 15 µD1 0.103 40 ^D416，281.75 16 µD15813.61 41 μD30.159 16σD30.099 41 µI115，103.49 17 ^D25311.99 42σD30.159 17 µI30.099 42 µm214，862.62 18 RR（i+1）5311.94 43 µI30.152 18 µD3 0.082 43σD414，862.57 19 βm34989.94 44 sI40.152 19 βI2 0.082 44 sI414，268.86 20D24988.94 45σD40.148 20 Pint0.078 45 µD114，244.96 21 ^D14791.96 46D40.141 21 sm2 0.077 46 ^D314，244.87 22 βm4 4790.96 47 βI30.141 22 RRa0.077 47 µI214，244.86 23 µm34447.89 48 Qint0.141 23 µm40.065 48 µI413，485.30 24D13320.92 49 ^D30.136 24σD20.065 49 µD412，695.99 25 ^A43319.92 50 µI20.131 25 µD20.043 50 sI1`表3使用两种特征选择方法（卡方检验和PSO搜索）与RF分类器获得的性能总结折叠编号卡方硒（%）测试Sp（%）生产率（%）累积（%）压缩时间（s）PSO搜索Se（%）Sp（%）生产率（%）累积（%）压缩时间（s）297.3399.3596.1298.910.1495.0197.3295.1297.070.12397.5399.4596.8399.090.1695.2097.4595.3397.100.11497.8499.5097.1699.080.1495.4897.5295.2997.280.11598.2999.5097.1399.110.1395.9797.7195.0797.510.13698.3699.4996.9099.120.1396.1298.9896.0998.330.11798.5899.5797.6499.150.1597.2499.0597.3298.760.11898.4999.5697.6999.280.1697.0299.1597.1298.210.11998.8999.5597.7499.460.1497.1199.1097.2098.030.111099.2799.7197.8899.750.1397.1499.2197.2298.010.11Avg.98.2999.5297.2399.220.1496.2598.3996.1997.810.11**Se：灵敏度; Sp：特异性; Acc：准确度; Pp：阳性预测性。模式. 对于每种可能的配置，我们使用测试数据集计算我们为我们的数据集使用了ReLU（Rectified Linear Unit）激活函数，通过降低计算成本来提高性能。最高的分类性能是实现了三个隐藏层分别有58，29和46个神经元，如图所示。3.第三章。3. 结果利用小波变换对心电信号进行去噪处理，并以260个样本为窗口检测R峰，得到完整的心动周期。从每个心跳中提取心跳间隔和RR间隔特征。对心电信号进行小波变换（db 6）至5级、EMD（IMF1 ~ IMF4）、VMD（mode-1 ~ mode-4）提取各种特征，形成特征集。表1显示了从每个心跳中提取的特征列表，并用作RF分类器的输入以对ECG搏动进行分类。采用卡方检验和粒子群优化搜索方法进行特征选择。表2示出了基于其权重提取的特征的总结，以及使用RF分类器的排名。使用10倍交叉验证技术来开发模型。性能参数，即灵敏度（Se），特异性（Sp），阳性预测性（Pp）和准确性（Acc）被用来评价所开发的自动化的性能。系统使用卡方检验和基于PSO搜索的特征选择技术以及10倍交叉验证方案的分类器的结果在表3中给出。可以观察到，在折叠10处，基于卡方检验的方法提供了最好的结果，而对于PSO搜索，折叠7获得了最高的结果。使用卡方排序方法的总体结果更好。图4示出了卡方检验和PSO搜索特征选择方法与RF分类器的平均准确度（%）对折叠次数的曲线图。平均灵敏度、特异度和准确度分别为98.29%、99.52%和99.22%，计算时间为0.14结果经卡方检验。在0.11 s的计算时间内，基于粒子群算法的排序特征的平均灵敏度、特异度和准确度分别为96.25%、98.39%和97.81%。最高的准确率为99.75%，使用卡方检验和98.76%，粒子群算法搜索基于排名的功能。这些结果表明，卡方检验排序为基础的特征是更有效的比粒子群搜索方法的自动分类的心搏。为了验证DNN的结构，准确度和损失曲线如图5所示，随着时间的增加，训练和测试的错误会减少。图6显示了混淆矩阵X，该矩阵用于在训练和测试过程中检查每个类的模型预测。我们的DNN模型实现了99.22%的灵敏度，S. Sahoo等人智能系统与应用16（2022）2001279图四、卡方检验和PSO搜索特征选择方法与RF分类器的平均准确度（%）与折叠次数的关系图。图五、DNN分 类 器 的训练和测试评 估 。S. Sahoo等人智能系统与应用16（2022）20012710表4见图6。 DNN分类器中训练和测试过程的混 淆 矩 阵 。五个ECG类。表5总结了使用分类器（RF和DNN）与卡方特征选择方法获得的性能比较。分类器硒（%）Sp（%）累积（%）计算时间（s）随机森林98.2999.5299.220.14DNN模型99.2299.7499.750.04399.75%，测试集的计算时间为0.43 s，如表4所示。图7示出了两个分类器（RF分类器和DNN）模型之间的性能比较。4. 讨论该方法结合了多种变换方法获得的特征，并使用DNN来获得心律失常检测的高分类性能。我们开发的系统是能够获得最高的性能，由于从不同的变换的各种系数获得的提取特征的融合。各个子带的系数能够捕捉ECG信号中存在的微小变化，并且在分类中获得最高的分类性能研究人员使用从同一MIT-BIH数据库获得的ECG信号自动检测心律失常。我们提出的DNN模型取得了最好的结果，灵敏度，特异性，准确率分别为99.22%，99.74%和99.53%，使用DNN分类器。我们开发的模型已经准备好用更多的数据进行测试我们提出的系统的优点如下：(1) 使用了整个数据库来开发模型。(2) 在对5个ECG类别进行分类时获得了最高的分类性能（表5）。(3) 开发的模型是强大的，因为它是使用十倍交叉验证技术。我们开发的模型的缺点如下：1模型分类只有五个ECG类。2 采用十重交叉验证技术。 需要实施盲-折叠交叉验证，以使系统稳健且更准确地用于临床使用。图第七章 两种 分类器（RF和DNN）之间的性能比较。S. Sahoo等人智能系统与应用16（2022）20012711表5使用相同数据库的ECG搏动分类比较总结本文报道了这方面的工作引用阿查里亚湾R.，Fujita，H.，Lih，O.美国，亚当，M.，Tan，J.H.，&蔡角 K.（2017a）中所描述的。使用卷积神经网络使用不同持续时间的ECG段自动检测冠状动脉疾病。Knowledge-Based Systems，132，62-71.阿查里亚湾R.，Fujita，H.，Lih，O.美国，Hagiwara，Y.，Tan，J.H.，&Adam，M.（2017年b）。 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。 Information Sciences，405，81-90.Addison，P. S.（2005年）。小波变换与心电图：综述。生理测量，26（5），R155。Adnane，M.，&Belouchrani，A.（2017年）。使用QRS和T波自回归特征和RR间期特征的心跳分类。 专家系统，34（6）。Anwar，S. M.，Gul，M.，Majid，M.，&Alnowami，M.（2018年）。使用混合特征的ECG信号心律失常分类。 计算和数学方法，1-8。巴洛格卢湖B、Talo，M.，耶尔德勒姆岛坦河，巴西-地美国，阿查里亚湾R. （2019年）。使用多导联ECG信号和深度CNN对心肌梗死进行分类。模式识别字母，23-30。宾，X.，Zlang，M.，&Broune，W. N.（2013年）。PSO用于分类中的特征选择：多目标方法。 IEEE Transactions on Cybernetics，43（6），1656-1671.布雷曼湖（2001年）的第10页。随机森林 Machine Learning，45，5-32.Chang，K. M.（2010年）。基于集成经验模式分解的心律失常心电图噪声抑制。Sensors（Basel，Switzerland），10（6），6063-6080.De Chazal，P.，&赖利河B.（2006年）。使用ECG形态和心跳间隔特征的患者适应性心跳分类器。IEEE Transactions on BiomedicalEngineering，12，2535-2543.Dragomiretskiy，K.，&Zosso，D.（2014年）。变分模式分解IEEETransactions onSignal Processing，62，531-544.Ebrahimzadeh，E.，Pooyan，M.，Jahani，S.，Bijar，A.，&Setaredan，S. K.（2015年）。心电信号去噪：在对各种自适应滤波算法进行比较的基础上，选择并优化最佳的自适应滤波算法。生物医学工程：应用，基础和通信，27（4），第1550038条。（二零零七年）02The Dog（2006）间隔形态，心跳间隔特征线性判别5 85.9Ghaffari，A.，Golbayani，H.，&Ghasemi，M.（2008年）。一种新的基于数学的QRS波检测器，采用连续小波变换。Computers& Electrical Engineering，34（2），81-91.汉，G.，Lin，B.，&Xu，Z.（2017年）。基于经验模态分解技术的心电信号去噪：综述。仪器杂志，12，P03010。Li等人（2022年）混合功能1D CNN模型5 99Hannun，A.是的，Rajpurkar，P.，Haghpanahi，M.，Tison，G. H、伯恩角，Turakhia，M. P.，等 （2019）。C心脏病学家水平的心律失常检测和分类，Kiani等人（2019年）Wu等人（2021年）拟议工作混合特征反向传播神经网络798.83使用深度神经网络的动态心电图。Nature Medicine，25，65-69.Huang，N. E、沈志，龙，S。R.，Wu，M. C.的方法，Shih，H. H、郑昆，等（1998）。非线性和非平稳时间序列分析的经验模态分解和Hilbert谱。伦敦皇家学会会刊。 Series A，454（3），903-995.Isin，A.，&Ozdalili，S.（2017年）。使用深度学习进行心律失常检测。ProcediaComputer Science，120，268-275.Jiang，W.，&孔，S. G.（2007年）。用于个性化ECG信号分类的基于块的神经网络。IEEE Transactions on Neural Networks，18，1750-1761。Jovic，A.，Bogunovic，N.（2012年）。评估和比较功能的性能5. 结论早期准确的自动心律失常检测有助于提供及时的治疗，并有助于显著降低死亡率。提出了一个计算机辅助诊断系统，使用各种分解技术结合DNN准确地检测心律失常。我们提出的方法是能够准确地检测五种心律失常的敏感性为99.22%，特异性为99.74%，准确性为99.53%，卡方检验与DNN。将来，我们打算用更多样化的数据测试我们的模型，并包括更多的心律失常类别。CRediT作者贡献声明Santanu Sahoo ：概念化，方法论，资源，形式分析，写作&Pratyusa Dash：写作&米什拉：概念化，方法论，资源，写作&Sukanta Kumar Sabut：概念化，方法论，资源，写作&竞争利益提交人声明，他们没有已知的竞争性经济利益或个人关系，可能会影响用于心律分类的心率变异性测量的组合。Biomedical Signal Process Control，7（3），245Jurgen，S. （2015年）。深度学习Scholarpedia，10（11），32832.卡比尔，M.一、&沙赫纳兹角（2012年）。基于EMD和小波域降噪算法的心电信号去噪。Biomedical Signal Process Control，7（5），481-489.Kaergaard，K.，詹森，S。H、&Puthusserypady，S.（2016年）。EEMD-BLMS和DWT-NN混合算法用于ECG去噪的综合性能分析。生物医学信号处理和控制，25，178Kandala，N.五、&杜利河R.（2017年）。基于非线性分解和支持向量机的心电信号分类。Computer in Biology andMedicine，87，271-284.Kiani，K，Maghsoudi，F（2019）.应用分形维数对7种心律失常的分类生物信息学和系统生物学杂志，2，053-065。金，M.，Ko，H.，&Pan，S. B.（2020年）。基于深度卷积神经网络集成的二维心电图用户识别研究。 Journal Ambient Intelligence HumanComputer，11，1859-1867.Kirst，M.，Glauner，B.，&Ottenbacher，J.（2011）.使用DWT减少噪声相关信号的ECG运动伪影。IEEE工程会议论文集IEEE医学和生物学工程学会，4804-4807。Li，X.，Xiang，F.，潘尼克河C.的方法，加的夫湾，&约翰，D.（2022年）。基于混合特征的ECG分类，使用CNN用于可穿戴应用。ArXiv abs/2206.07648。刘洪，&塞蒂奥努河（1995年）。Chi2：数值属性的特征选择和离散化。 第七届IEEE人工智能工具国际会议论文集。马吉，美国，S.，&马琼德，S。（2015年）。用变分模式分解技术估计心律失常发作。IEEE国际仪器仪表和测量技术会议论文集，767-772。Martinez，J.P.，阿尔梅达河，Olmos，S.，Rocha，A. P.，&Laguna，P.（2005年）。基于小波变换的心电描记器：在标准数据库上的评价。IEEETransactionBiomedicalEngineering，51，570-581.Mert，A.（2016年）。基于变分模式分解带宽