论文阅读：Automated detection of atrial fibrillation and atrial flutter in ECG signals based on convolutional
一、摘要
文章针对房颤（AF）和房扑（AFL）两种易混淆的两种心律失常类型，提出了一种由CNN和改进Elman神经网络（IENN）构成的模型，分别在MIT-BIH AF和MIT-BIH心律失常数据库上机械能了十倍交叉验证，最终在AFDB数据库上的准确性，特异性和敏感性分别为98.8％，98.6％和98.9％，在MITDB数据库上分别为99.4％，99.1％和99.6％。
二、数据
将来自MITDB数据库的编号为＃201、202、203、219、221和222的记录用于训练模型，因为只有它们包含很少的AF和/或AFL段以供进一步研究。此外，这项工作使用了AFDB数据库中的所有23条AF记录。
先将MITDB数据库中的ECG记录从360 Hz下采样到250 Hz。另外，由于原始的ECG信号经常被不同类型的噪声所污染，例如电力线干扰，基线漂移和肌肉噪声 [31]，这些伪影使用Daubechies小波6进行去噪处理。随后，将经过滤波的ECG信号以4 s的长度进行分段，并根据注释进行分类，每个ECG分段包含1000个采样点。然后在将心电图片段进行Z-score归一化处理后再引入模型中，可以大大减轻偏移效应和幅度缩放问题，也有助于加快网络的训练时间。
三、方法
通过交替的卷积层和最大池化层来构造层1至8。随后，在第9到11层中专门设置IENN结构以进行最终标识。在此结构的每一层中，神经元的数量分别设置为30、16和3。为了更好地区分每个ECG段属于NSR，AF或AFL，在最后一层中将softmax函数用作激活函数，这主要取决于类别概率的类别。其他层的激活功能都是漏电整流器线性单元（LReLU）功能。实现了Xavier算法以初始化模型的权重 [40]，这有助于解决梯度消失问题。该模型中的所有偏差最初都设置为0。执行Adam算法以优化网络权重 [41]。此外，对建议的模型进行了训练，其时期数为40，批量大小为64。
四、结果
在AFDB数据库上使用CNN-IENN模型获得了98.8％的ACC，98.6％的SPF和98.9％的SEN。此外，使用CNN-ENN和CNN-MLP模型分别实现了97.8％和97.1％的ACC，97.8％和97.2％的SEN以及SPF分别为97.7％和96.9％的SPF。
1.AFDB数据库上的评估
2.MITDB数据库上的评估
五、结论
该机制使用11层CNN-IENN模型可以自动区分ECG信号。在两个公共数据库上通过10倍交叉验证对提出的模型进行了验证，同时获得了比几种最新算法更好的分类结果。研究的主要发现是，CNN和IENN的集成不仅使模型能够从原始ECG数据中自学本质特征，而且有助于增强ECG信号分析的模型性能。此外，分类模型可以高效，准确地实现自动AF和AFL检测，并且还可以解决许多医师在没有任何特征提取和分类方法的情况下所面临的误诊问题。因此，它有望在计算机软件平台中应用，以帮助医生并降低死亡率。在未来的研究中，我们将专注于更完善的ENN模型和深度学习技术，以使用ECG信号分析其他类型的心律失常。
