Publikace detail

ECG Hearbeat Classification Based on Multi-scale Convolutional Neural Networks

Autoři: Rozinek Ondřej | Doležel Petr

Rok: 2023

Druh publikace: článek ve sborníku

Název zdroje: Lecture Notes in Computer Science

Název nakladatele: Springer Nature Switzerland AG

Místo vydání: Cham

Strana od-do: 352-363

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Klasifikace srdečního tepu EKG na základě víceměřítkových konvolučních neuronových sítí	Klinické aplikace vyžadují automatické zpracování a klasifikaci EKG signálu. Tento článek zkoumá dopad víceškálových vstupních filtračních technik a bloků mapových prvků na výkonnost modelů CNN pro klasifikaci EKG. Provedli jsme ablační studii s použitím souboru dat AbnormalHeartbeat se 606 případy časových řad EKG rozdělených do pěti tříd. Porovnali jsme pět technik víceúrovňového filtrování vstupu a čtyři bloky víceúrovňových map prvků se základním modelem a vstupem bez více měřítek. Výsledky ukázaly, že kombinace středního filtru pro víceúrovňový vstup a zbytkové spoje pro víceúrovňový blok dosáhla nejvyšší přesnosti 64,47 %. Zbytková připojení byla konzistentně účinná napříč různými filtračními technikami, což zvýrazňovalo jejich potenciál zvýšit výkon modelu CNN pro klasifikaci EKG. Tato zjištění mohou být vodítkem pro návrh budoucích modelů CNN pro úlohy klasifikace EKG s dalšími experimenty potřebnými pro optimální kombinace ve specifických aplikacích.	Klasifikace EKG;hluboké učení;víceměřítkové CNN;konvoluční neuronové sítě
eng	ECG Hearbeat Classification Based on Multi-scale Convolutional Neural Networks	Clinical applications require automating ECG signal processing and classification. This paper investigates the impact of multiscale input filtering techniques and feature map blocks on the performance of CNN models for ECG classification. We conducted an ablation study using the AbnormalHeartbeat dataset, with 606 instances of ECG time series divided into five classes. We compared five multiscale input filtering techniques and four multiscale feature map blocks against a base model and non-multiscale input. Results showed that the combination of mean filter for multiscale input and residual connections for multiscale block achieved the highest accuracy of 64.47%. Residual connections were consistently effective across different filtering techniques, highlighting their potential to enhance CNN model performance for ECG classification. These findings can guide the design of future CNN models for ECG classification tasks, with further experimentation needed for optimal combinations in specific applications.	ECG classification;deep learning;multiscale CNN;convolutional neural networks

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte