[论文解读] A Comparison of 1-D and 2-D Deep Convolutional Neural Networks in ECG Classification

Yunan Wu, Yang Feng+3 more|arXiv (Cornell University)|Oct 16, 2018

ECG Monitoring and Analysis参考文献 8被引用 73

一句话总结

本论文比较一维 ECG 信号输入与二维 ECG 图像输入，使用类似 AlexNet 的 CNN，结果表明以 ImageNet 权重初始化的二维 CNN 在 MIT-BIH 上达到 98% 的准确率，并在 20–35 dB 的信噪比下保持鲁棒性，尤其在数据有限时表现突出。

ABSTRACT

Effective detection of arrhythmia is an important task in the remote monitoring of electrocardiogram (ECG). The traditional ECG recognition depends on the judgment of the clinicians' experience, but the results suffer from the probability of human error due to the fatigue. To solve this problem, an ECG signal classification method based on the images is presented to classify ECG signals into normal and abnormal beats by using two-dimensional convolutional neural networks (2D-CNNs). First, we compare the accuracy and robustness between one-dimensional ECG signal input method and two-dimensional image input method in AlexNet network. Then, in order to alleviate the overfitting problem in two-dimensional network, we initialize AlexNet-like network with weights trained on ImageNet, to fit the training ECG images and fine-tune the model, and to further improve the accuracy and robustness of ECG classification. The performance evaluated on the MIT-BIH arrhythmia database demonstrates that the proposed method can achieve the accuracy of 98% and maintain high accuracy within SNR range from 20 dB to 35 dB. The experiment shows that the 2D-CNNs initialized with AlexNet weights performs better than one-dimensional signal method without a large-scale dataset.

研究动机与目标

• 促使可靠的自动心律失常检测，以降低疲劳引起的人为错误。
• 研究采用二维图像表示并结合 CNN 的方法是否在心电分类中优于一维信号输入。
• 评估 ImageNet 预训练对二维心电分类器的影响，以在数据有限时缓解过拟合。

提出的方法

• 将心电信号转换为二维 CNN 输入的图像表示。
• 使用类似 AlexNet 的网络比较一维心电信号输入和二维图像输入在准确性和鲁棒性方面的差异。
• 用在 ImageNet 上预训练的权重初始化二维网络，并在心电图像上进行微调。
• 在 MIT-BIH 心律不齐数据库上评估性能。
• 评估在 20 dB 至 35 dB 的信噪比范围内的鲁棒性。

实验结果

研究问题

• RQ1 在有限训练数据下，基于二维图像的 CNN 是否优于基于一维信号的 CNN 进行心电分类？
• RQ2 ImageNet 预训练是否帮助二维心电分类器获得更高的准确性和鲁棒性？
• RQ3 在两种输入表示下，随噪声水平（SNR 20–35 dB）的性能如何变化？

主要发现

• 以 ImageNet 权重初始化的二维 CNN 比一维输入方法具有更高的准确性。
• 在 MIT-BIH 数据集上，所提出的二维方法达到 98% 的准确率。
• 二维方法在 20–35 dB 的信噪比范围内保持高准确率。
• ImageNet 预训练的二维网络有助于在训练数据不充足时缓解过拟合。
• 本研究展示了在缺乏大规模标记数据集时，基于图像的心电分类的好处。