Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: klasyfikacja sygnału EKG

Sortuj według:

Ogranicz wyniki do:

Effect of features extraction on improving LSTM network quality in ECG signal classification

Kłosowski Grzegorz

Przegląd Elektrotechniczny

2020

R. 96, nr 12

194--197

This article focuses on the extraction of features extracted from ECG measurement signals to improve the quality of LSTM network operation. Two features were distinguished from each individual sequence of ECG signals: instantaneous frequency (IF) and spectral entropy (SE). Both of these features are extracted from ECG signals using short-time Fourier transform. The applied approach enables the conversion of original measurement sequences into spectral images, from which IF and SE coefficients are then generated. As a result of the research, it was found that feature extraction significantly improves ECG signal classification both in terms of forecasting accuracy and in terms of network learning speed.

W niniejszym artykule skupiono się na ekstrakcji cech wyodrębnionych z sygnałów pomiarowych EKG w celu poprawy jakości działania sieci LSTM. Z każdej indywidualnej sekwencji sygnałów EKG wyróżniono dwie cechy: częstotliwość chwilową (IF) i entropię widmową (SE). Obie te cechy są wyodrębniane z sygnałów EKG przy użyciu krótkotrwałej transformaty Fouriera. Zastosowane podejście umożliwia konwersję oryginalnych sekwencji pomiarowych na obrazy widmowe, z których następnie generowane są współczynniki IF i SE. W wyniku badań stwierdzono, że ekstrakcja cech znacząco poprawia klasyfikację sygnału EKG zarówno pod względem dokładności prognozowania, jak i szybkości uczenia się.

Inter-patient ECG classification with convolutional and recurrent neural networks

Guo Li, Sim Gavin, Matuszewski Bogdan

Biocybernetics and Biomedical Engineering

2019

Vol. 39, no. 3

868--879

The recent advances in ECG sensor devices provide opportunities for user self-managed auto-diagnosis and monitoring services over the internet. This imposes the requirements for generic ECG classification methods that are inter-patient and device independent. In this paper, we present our work on using the densely connected convolutional neural network (DenseNet) and gated recurrent unit network (GRU) for addressing the inter-patient ECG classification problem. A deep learning model architecture is proposed and is evaluated using the MIT-BIH Arrhythmia and Supraventricular Databases. The results obtained show that without applying any complicated data pre-processing or feature engineering methods, both of our models have considerably outperformed the state-of-the-art performance for supraventricular (SVEB) and ventricular (VEB) arrhythmia classifications on the unseen testing dataset (with the F1 score improved from 51.08 to 61.25 for SVEB detection and from 88.59 to 89.75 for VEB detection respectively). As no patient-specific or device-specific information is used at the training stage in this work, it can be considered as a more generic approach for dealing with scenarios in which varieties of ECG signals are collected from different patients using different types of sensor devices.