1.摘要：

ECG Signal Classification Using Deep Learning Techniques Based on the PTB-XL Dataset

心电信号的分析与处理是心血管疾病诊断的重要手段。该领域的主要工作领域是分类，它越来越多地得到基于机器学习的算法的支持。在这项工作中，开发了一个深度神经网络来自动分类初级心电信号。这项研究是在PTB-XL数据库中包含的数据上进行的。提出了三种神经网络架构:第一种基于卷积网络，第二种基于SincNet，第三种基于卷积网络，但附加了基于熵的特征。数据集被分为训练集、验证集和测试集，比例分别为70%、15%和15%。这些研究分别针对2、5和20类疾病实体进行。带有熵特征的卷积网络得到了最好的分类结果。没有基于熵的特征的卷积网络获得的结果略差，但由于神经元数量显著减少，计算效率最高。

关键词：心电信号;分类;PTB-XL;深度学习

2.材料和方法

2.1数据库

PTB-XL心电数据库：PTB-XL心电图数据集包含21,837个临床12导联心电图，来自18,885名患者，长度为10秒，样本频率为500 Hz和100 Hz，分辨率为16位。

normal -正常ECG, cd -心肌梗死，STTC-ST /T改变，mi -传导障碍，hyp -肥厚

数据集被分为训练集、验证集和测试集，比例分别为70%、15%和15%。

3.网络构架

本研究比较了三种神经网络(convolutional network, SincNet, convolutional network with entropy features)对心电信号的正确分类。研究包括对所提出的神经网络模型的实现和测试。交叉熵损失作为损失函数。

3.1convolutional network

优化器：Adam

batchsize：128

lr=0.0001

input：由12个通道组成，每个通道包含1000个样本的心电信号作为输入，并输出一个应用softmax函数归一化的类分布向量。

使用LeakyReLU代替基本的ReLU来保存输出负值的神经元的梯度损失。

激活函数：

3.2 SincNet

ncNet层设计用于从原始信号的数据样本中提取低级特征。SincNet层通过对输入信号进行卷积来训练“小波”进行特征提取:

12通道心电信号的每个通道都由一个专用的SincNet块处理。每个块的结果被连接起来，平铺成一维向量的格式，并用作后续两个全连接层的输入，分别使用LeakyReLU和softmax激活函数。输出值是一个一维向量，描述输入信号属于所定义的每个类的概率分布。

3.3 Convolutional Network with Entropy Features

该网络对心电信号进行处理，并计算每个通道的熵值。

该网络的计算图由两个分支组成。在第一个分支中，12通道心电信号通过LeakyReLU激活函数的五个后续一维卷积层传递。在第二个分支中，输入信号用于计算信号每个通道的熵向量。来自两个分支的计算结果被连接起来并被平展为一维矢量的格式。计算结果由具有softmax激活函数的全连通层处理。输出值是一个一维向量，描述了输入信号属于所定义的每个类的概率分布。

4.结果

两类识别率下，基于卷积网络的识别率为88.2%，五类识别率为72.0%。同样，基于SincNet的网络在识别两个类别时ACC达到了85.8%，在识别五个类别时ACC达到了73.0%。基于熵特征卷积网络的网络在识别两个类时的识别率为89.82%，在识别五个类时的识别率为76.5%。

来源：Śmigiel S, Pałczyński K, Ledziński D. ECG Signal Classification Using Deep Learning Techniques Based on the PTB-XL Dataset. Entropy (Basel). 2021 Aug 28;23(9):1121. doi: 10.3390/e23091121. PMID: 34573746; PMCID: PMC8469424.