使用卷积神经网络的自动心电图诊断
使用卷积神经网络的自动心电图诊断
Automatic ECG Diagnosis Using Convolutional Neural Network
https://www.mdpi.com/2079-9292/9/6/951/htm
摘要
心血管疾病（CVD）是最常见的慢性和危及生命的疾病，因此被认为是造成死亡的主要原因之一。基于最近流行的卷积神经网络（CNN）提出的新神经体系结构是使用心电图（ECG）信号开发自动心脏病诊断系统的解决方案。更具体地说，ECG信号直接传递到经过适当训练的CNN网络。该数据库由从47位受试者（25位男性和22位女性）获得的门诊ECG检查中提取的4000多个ECG信号实例组成。从测试数据集得出的混淆矩阵表明“正常”级别的准确性为99％。对于“房性早搏”类别，心电图节段被正确分类为100％的时间。最后，对于“室性早搏”类别，心电图节段的正确分类率为96％。总体而言，平均分类精度为98.33％。灵敏度（SNS）和特异性（SPC）分别为98.33％和98.35％。基于深度学习（尤其是基于CNN网络）的新方法可确保在自动识别以及预防心血管疾病方面的出色性能。
关键词： ECG信号检测 ; 心血管疾病 ; 卷积神经网络（CNN） ; 心肌梗塞（MI）
1.简介
多年来，医生已经意识到心血管疾病是一类被认为是造成死亡的主要原因之一的疾病[ 1 ]。心血管疾病以心肌梗塞（MI）的形式发生。心肌梗塞，通常称为心脏病发作，代表心肌在相当长的时间内无法收缩。在心脏病发作开始后一小时内使用适当的治疗，可以降低正在进行的心脏病发作的人的死亡风险。
当发生心脏病时，第一诊断检查包括心电图（ECG），因此，是心血管疾病（CVD）的主要诊断工具。心电图仪在测试时间内检测到心脏的电活动，然后将其显示在反映心肌中周期性电生理事件的图表中[ 2 ]。通过对心电图痕迹进行仔细分析，医生可以诊断出可能的心肌梗塞。但是，重要的是要强调指出，手动检测急性心肌梗塞的敏感性和特异性分别为91％和51％[ 3 ]。
开发一种可自动检测心梗的计算机辅助系统将有助于心脏病医生做出更好的决策。因此，近来，已经对自动MI检测进行了各种研究。
考虑到心脏异常分类的非线性，最近已采用基于神经网络的技术。在一项先例研究中，作者提出了一种基于径向基概率神经网络（RBPNN）的训练技术，以便为心血管疾病的诊断提供有效的解决方案[ 4 ]。该方法已经过ECG分析和检测异常心跳的测试，这些异常已由网络按相关病理分类。
近日，笔者成功地试验了最新和最具创新性的神经网络（NN）模型[ 5，6 ]，更具体地说，机器和深度学习技术，如卷积神经网络（CNN）和音频生物识别技术[ 7，8，9 ]。CNN已被用于心律失常检测，冠状动脉疾病的检测，和节拍分类[ 10，11，12 ]。深度信任网络已被用于对ECG中的信号质量进行分类[ 13 ]。
一些研究人员已经实现了11层CNN来检测MI [ 14 ]。作者已经证明了浅层卷积神经网络的使用，仅侧重于下心肌梗塞。该网络得益于在同一卷积层中使用变化的滤波器大小，这使可以从变化长度的信号区域中学习特征。
在[ 15 ]中，作者提出了使用MLP（多层感知器）网络和CNN网络的心血管疾病分类系统。特别是，使用相同的数据集但使用不同的类别，比较了两个模型获得的结果。MLP网络中使用了两个类别：“心律不齐”和“正常”，而四层CNN使用了九个类别。用于训练/验证和测试数据集的ECG数据可从PhysioBank.com和kaggle.com下载。这项研究表明，使用MLP网络和CNN网络的性能均很低，分别为88.7％和83.5％。
还有许多其研究使用基于卷积神经网络的深度学习算法通过ECG信号处理心脏病分类。表1列出了主要技术列表，比较了所使用的学习模型，所实现的CNN参数和所获得的性能。
表1. 基于CNN网络使用的ECG信号分类的主要技术。
许多论文从PQRST复合体中提取功能，并利用了基于其技术的机器学习算法。在[ 19 ]中，作者使用粗糙集（RS）和量子神经网络（QNN）来识别心电图（ECG）信号。对于特征提取（Peaks-P，Q，R，S和T波），在信号归一化之后，使用小波变换（WT）。然后，将RS的属性约简用作预处理器，以便可以从决策表中删除冗余属性和冲突对象，但可以无损地保留有效信息。然后，采用梯度下降法对基于QNN的分类建模和预测测试进行训练。这些系统的准确性为91.7％。
在[ 20 ]中，使用MIT-BIH心律失常数据库中的记录来计算RR间隔。本文比较了MLPNN和SVM（支持向量机）分类器。结果表明，MLPNN具有良好的测试性能，而SVM具有良好的训练性能。
在[ 21 ]中，作者提出了一项基于CNN以外的机器学习技术的ECG信号分类调查。
该研究的表1重点介绍了对ECG信号进行分类的主要技术，包括每篇论文中特征的数量，特征名称，预处理技术，数据库，建模技术，使用的性能指标以及准确性。
本文基于将基于CNN的分类网络直接应用于EGC信号，提出了一种低复杂度的心脏病自动识别解决方案，从而绕开了从时域到其域（例如频域）的任何可能的心脏病ECG信号。 MFCC（Mel-频率倒谱系数），小波等。本文在以下三个类别中评估了分类器的性能：“正常”，“房性早搏”和“室性早搏”。所获得的性能是显着的。
2.心电图信号和数据集
从图形或数字的角度来看，心电图（ECG）代表心脏在其操作过程中的电活动。在每个心动周期重复的ECG波形的最重要元素如图1所示。
图1. 典型的心电图（ECG）波形及其特征模式（P和T波，PR和ST段，PR和QT间隔以及QRS复合波）。
进行心电图检查是为了提供有关人可能患有的各种心脏病的信息[ 22 ]，以确保有效的治疗。
根据国际惯例，在心电图轨迹中识别的特定点用字母P，Q，R，S，T标记，尤其是以下各项：
· P波：在ECG周期中发生的第一波，是代表心房去极化或最通常称为“心房收缩”的小偏转；
· T波：代表心室去极化或最常见的“心室舒张”；
· Q，R和S波：这些波一起形成了所谓的QRS复合波。QRS复合物代表心室的收缩，或者从技术上来讲，代表心室的去极化复合物。特别地，Q波代表心室间隔的去极化，R波反映心室主要部分的去极化，而S波是心脏底部的心室的最终去极化。
总而言之，P，Q，R，S和T波构成了所谓的PQRST复数。心脏科医生用术语“ RR间期”表示两个PQRST复合体之间的间隔，这对应于心动周期。
其已广泛用于使用ECG跟踪进行医学诊断的参数是：
· PR间隔或PQ间隔：PR间隔是由P波和PR段形成的拉伸（直线拉伸），从P波开始，即在第一次偏转期间，终止于QRS波群。该间隔表示去极化波从心房窦房结沿心肌的心脏电传导系统的一部分传播的时间。
· ST段，即QRS波群结束到T波开始之间的时间；
· QT间隔，即QRS波群开始到T波结束之间的时间，这是心室去极化和复极化的心电图表现[ 23 ]。
当对患有心脏病的患者执行ECG时，该图概述了与图1所示波形不同的波形。例如，QT间隔可能比正常间隔长，这表明患者可能患有室性心律不齐；ST段可以具有标高，其可以与心肌梗死有关[ 24，25 ]。
一个在该领域最常用的数据库的是PhysioNet [ 26，27 ]; 具体而言，本研究使用了MIT-BIH心律失常数据库，如表1所示。在公开数据共享-Public Domain Dedication＆License v1.0 [ 28 ] 下有大量记录的生理信号。
PhysioNet数据库由48条两通道门诊的ECG记录组成，每条记录长30分钟，与不同的临床病理情况（例如，室性和室上性心律失常，室性心律失常，房颤等）相关。
该数据库包含来自47位受试者的ECG记录：25位年龄在32至89岁之间的男性和22位年龄在23至89岁之间的女性。从波士顿贝思以色列医院的住院患者（约60％）和门诊患者（约40％）的混合人群中收集的4000份24小时动态ECG记录中随机选择了23份记录；其余25份录音选自同一组，以包括较少见但具有临床意义的心律不齐，而在少量随机样本中将不能很好地体现出这种心律失常。记录以每通道每秒360个样本的速度在10 mV范围内以11位分辨率数字化。
心脏病专家独立注释每个记录；解决分歧以获取数据库中包含的每个节拍的计算机可读参考注释（总共大约110,000个注释）。
该数据库由三类组成：
· 正常;
· 心房过早搏动；
· 心室过早收缩。
图2显示了正常搏动，房性早搏和室性早搏之间ECG波的差异。图2的第一张图显示了正常搏动的ECG波，即不受病理影响的心跳。该图可以追溯到图1中的“理想” 图。第二张图显示了心电图波受房性早搏或房性早搏（PAC）的影响。
图2. 三种心跳类别的ECG波形。
这是一种常见的心律失常，其特征是源自心房的早搏。虽然窦房结通常在正常窦性心律期间调节心跳，但是当心房的另一个区域在窦房结之前去极化并触发早搏时，就会发生PAC。因此，与正常ECG波的差异在于过早形成的PR段。在图2中，“ RR更长”代表QRS复合体之间的时间，而“ SA重置”表示电脉冲的重整从窦房（SA）节点开始并传播到房室（AV）节点。
第三张图显示了心电图波受室性早搏（PVC）的影响。
这是一个相对常见的事件，心跳始于心室而不是窦房结。
综上所述，现在很清楚，自动诊断系统在检测组成PQRST复合体的波浪和线段的持续时间和形状方面的差异时必须如何执行。
作者没有记录使用过的数据集，而是源自2001年Moody等人的一项研究。[ 26 ]。因此，作者不对应用的数据收集程序负责。该数据库的原始作者指出，已遵守所有道德要求。而且，该数据库现在可以在线使用很长时间了，并且已经在许多最近的出版物中得到了广泛使用（参见表1）。最后，数据库中的所有记录均已匿名化。
3. 基于CNN的心电图疾病分类
3.1. CNN的一般特征和采用的架构
卷积神经网络或CNN是一种特殊的神经网络，用于处理具有已知网格状拓扑的数据。示例包括时间序列数据和图像数据，该时间序列数据可以被视为以规则的时间间隔进行采样的一维网格，而图像数据可以被视为像素的二维网格。
该网络的一般特性和体系结构在[ 29 ]中进行了描述，唯一的区别是所使用的采样率。在本研究中以及在[ 30 ]中，采样率为44.1 kHz而不是8 kHz。
深度卷积神经网络主要包括：
1. 一维卷积层
2. 批标准化层；
3. ReLU（校正线性单位）层；
4. 池层；
5. Softmax。
仅在第一次卷积中，相对于随后将其设置为3的卷积层，使用了由80个元素组成的卷积核，目的是减少计算成本。
每次卷积后，均进行批量归一化，以避免参数爆炸和“消失梯度”现象。批量归一化允许训练深度网络，并在每个卷积层之后和执行ReLU（整流线性激活函数）之前应用。CNN中的池级（位于RELU之前）减少了网络数据过拟合的问题，使输入大小仅为实际输入的一半。
与使用完全连接的神经元作为输出层的经典CNN不同，此网络执行单个AvgPool，然后执行LogSofMax softmax，然后执行自然对数对数（softmax（x））。
提议的网络的结构在下面的表2中说明。
表2. 建议网络的结构。
图3显示了所提出的卷积神经网络的结构。
图3. 卷积神经网络架构。
深度神经网络既可以提取特征并对其分类，而不必分别执行这两个功能。经过处理后，基于卷积神经网络（CNN），通过三类ECG信号，将ECG记录发送到CNN网络，作为病理分类的输入：正常，房性早搏和室性早搏三类。 。
3.2. 训练/验证和测试数据集
神经网络输入由30 s段组成，其中ECG记录的每一秒相当于360个样本，总共10,800个样本。
因此，数据集呈现以下类：
· “普通”班级，包含1421个ECG段；
· “心室过早收缩”类别，包含335个ECG节段；
· “心房过早搏动”类，包含133个ECG节段。
随后将此数据集分为两个不同的数据集，请参见下面的图4：
图4. 用于学习（70％）和测试（30％）的ECG细分的分布。学习数据集的百分之三十用于网络验证。
· 训练/验证集，由“正常”类别的995个细分，“室性早搏”类别的234个细分和“房性早搏”类别的93个细分组成。这套玩具中有70％用于训练，其余30％用于测试；
· 测试装置包括“正常”级别的426个段，“室性早搏”级别的101个段和“房性早搏”级别的40个段。
首先，通过输入与“训练集”相关的数据对网络进行训练，然后使用“验证集”对其进行验证，以评估神经网络的性能（损失百分比和准确性） 。最后，“测试集”用于通过准确性估计来验证和验证神经网络对训练/验证集外部数据的鲁棒性。
4.方法
如前所述，出于性能评估的目的，建议的研究使用了PhysioNet数据库，该数据库通常在基于ECG信号进行心脏病理自动分类中用作参考数据库。从该数据集中，获得了与神经网络的学习和测试有关的数据，用于评估分类准确性。准确性表明，该网络对与心脏病有关的两类（“房性早搏”和“室性早搏”）进行了很好的分类，而与健康状况有关的一类则得到了很好的分类。根据从混淆矩阵获得的结果，可以使用统计分类函数对提出的方法进行评估[ 31]：灵敏度，也称为真阳性比（TPR），特异性，也称为真阴性比（TNR），Fall-Out，也称为假阳性比（FPR），以及测试准确性的度量。
因此，可以定义上述每个统计分类参数的含义：灵敏度指示属于特定类别并正确归入该类别的ECG记录的百分比；特异性衡量了分类器对不属于该类别的ECG记录进行分类的频率；辐射表明，心电图记录被认为属于特定类别，但实际上，并不属于其中。错误的发现比率表明，心电图记录不属于特定类别，但实际上是其中的一部分；F1分数考虑了测试的准确性和恢复性，其中精度为真阳性（TP）数除以所有阳性结果的数量，即真阳性（TP）加上假阳性（FP）；
以下等式与先前描述的分类函数有关。
5.绩效分析
5.1。检测结果
在本节中，将介绍和讨论神经网络的训练结果和后续验证。图5a，b分别表示训练和验证损失的进度以及训练和验证准确性的进度。如图所示，在100个时期之后，训练和验证损失的值稳定在接近零的值（图5a），而训练和验证的准确性稳定在100％。
图5. （a）训练和验证损失，（b）训练和验证准确性。
这样的数据非常令人鼓舞，因为据了解，上述三个类别的分类准确率很高。
为了评估带有训练数据集外部ECG序列的CNN网络的性能，评估了使用“测试集”获得的准确性。图6显示了相对混淆矩阵。
图6. “测试集”的混淆矩阵。
矩阵突出显示了平均分类准确度水平为98.33％。
表3. 该表报告了准确性TPR，TNR，TPR，TDR和F1分数的总体值。
5.2。交叉验证分析
在本段中，描述了用于数据交叉验证的方法，该方法用于获取模型泛化误差的可靠估计，或者用于CNN网络对除学习数据以外的数据的行为。
特别是，在这项研究中使用了K折[ 32 ]交叉验证，该验证涉及将训练数据集随机分为k个部分而无需重新整合：K-1个部分用于训练模型，而一部分用于测试。重复此过程k次，以获得k个模型和性能估计。
随后，基于不同的独立细分来计算模型的平均性能，以获得对训练数据的分区不太敏感的性能估计。
由于k折交叉验证是无需重新集成技术的重采样，因此该方法的优势在于，每个样本点将仅是训练和测试数据集的一部分，从而提供了模板性能的较低方差估计。
在本研究中，训练数据集分为十个部分，K = 10，并且在十次迭代中，使用了九个部分进行训练，其中一个部分用作模型评估的测试集。另外，然后使用每个部分的估计性能E i（例如，分类的准确性）来计算模型的平均估计性能E。图7描绘了k折交叉验证技术的概念。本研究中使用的模型的平均准确度和标准偏差为96.8±1.2％。
图7. 将训练集细分为k = 10部分的K折交叉验证方法。
6.讨论
表4显示了方法与其方法在特征提取（FE），使用的模型，系统的准确性和统计分类准确性方面的比较。
表4. 提议的方法与先前研究的方法之间的比较。
在下文中，已经讨论了这项工作与最新技术之间的差异。在[ 33，34 ]中，作者使用的判决树的（DT）提取和R峰（RP）为特征，并没有应用卷积神经网络（CNN），而是离散小波变换（DWT）和进料前向神经网络（FFNN）。作者声称平均准确度分别为96.56％和87.66％，而在研究中，平均准确度等于98.1％。该结果比[提出的结果高33，34 ]。
相较于办法中提出[ 5，14，15，16，33，34 ]，方法具有较高的分类性能。至于提出的研究[ 17，18 ]而言，很明显，有相当类似表演，但用更多的隐藏层比研究中，在计算成本随之增加。此外，使用小波变换对数据进行了预处理，这意味着额外的计算成本。从神经网络的结构来看，[ 17尤其是，使用五层（两个卷积层，两个下采样层和一个完整连接层）加上由Softmax形成的输出层进行分类；但是，使用了另一种结构（前面已经描述过），这种结构对于“消失梯度”现象更加健壮。
另外，为确保模型正确，使用K折技术（先前描述）进行交叉验证，平均准确度为96.8％，标准偏差为±1.2％。
通常，处理单元执行上述的自动疾病分类算法，在显示屏上显示诊断结果。一种可能的替代方法是通过数据蜂窝连接（4G加密狗）在实时的心电图序列发送[ 35，36 ]对云平台，其中的自动诊断ECG在“作为服务”模式下实现。通过将测试数据库从发送器多次发送到4G数据接收器，可以验证对4G数据连接中常见的IP（互联网协议）数据包丢失的可靠性。分类结果证实了在本地板上进行处理时获得的相同值。
7.结论
本文提出了一种基于最新和创新的CNN网络的自动心脏病识别技术。所提出的技术具有较高的准确性，并且实现的复杂度较低。这种方法利用了深度学习的潜力来捕获ECG信号域中给定心脏病的典型特征。
使用“验证集”，提出的方法得出以下结果：
· 平均准确度98.33％;
· 灵敏度98.33％;
· 98.35％的特异性;
· 假阳性率1.65％；
· 假阴性率1.66％；
· F1得分98.33％。
通过“讨论”部分中的各种方法的比较和对比，可以肯定的是，本文中使用的方法产生了比最新技术更好的性能。
参考资料
1. EJ本杰明；密西根州布拉哈市；SE，Chiuve；库什曼 SR，Das；Deo，R .; SD Ferranti，SD；弗洛伊德，J。福特纳格；吉莱斯皮C. 等。2017年心脏病和中风统计资料更新：美国心脏协会的报告。流通 2017年，135，146-603。[ Google学术搜索 ] [ CrossRef ]
2. M.Mitra; Samanta，R.使用具有选定功能的神经网络对心律失常进行分类。程序 技术。 2013，10，76-84。[ Google学术搜索 ] [ CrossRef ]
3. SM萨勒诺; PC Alguire；Waxman，HS 12导联心电图解释能力：已发表证据的总结和评估。安 实习生。中 2003，138，751-760。[ Google学术搜索 ] [ CrossRef ]
4. 贝里特利，F。卡皮齐（G. Lo Sciuto，G .；那不勒斯 Woźniak，M.一种新颖的训练方法，可以保留适用于ECG信号诊断的RBPNN分类器的通用性。神经网络 2018，108，131-138。[ Google学术搜索 ] [ CrossRef ]
5. 贝里特利，F。卡皮齐（G. Lo Sciuto，G .；Scaglione，F。D.Połap；Woźniak，M。在LTE / 4G网络中使用信号强度的自动降雨分类的神经网络模式识别方法。于2017年7月3日至7日在波兰奥尔什丁举行的国际粗糙集国际联合会议论文集。[ Google Scholar ]
6. 贝里特利，F。卡皮齐（G. Lo Sciuto，G .；那不勒斯 Scaglione，F.通过使用概率神经网络基于LTE / 4G移动终端中接收信号的强度进行降雨估计。IEEE访问 2018，6，30865-30873。[ Google学术搜索 ] [ CrossRef ]
7. R.Avanzato；贝里特利，F。迪·佛朗哥（F. Puglisi，VF音频分类的卷积神经网络方法用于降雨估计。于2019年9月18日至21日在法国梅斯举行的第十届IEEE国际智能数据采集和先进计算系统国际会议论文集：技术与应用。[ Google Scholar ]
8. 贝里特利，F。Spadaccini，A。一种基于心音的生物特征身份验证的统计方法。于2010年7月18日至25日在意大利威尼斯举行的第四届新兴安全信息，系统和技术国际会议论文集。[ Google Scholar ]
9. 贝里特利，F。Spadaccini，A。语音活动检测在法医说话者验证中的作用。于2011年7月6日至9日在希腊科孚岛举行的第17届IEEE数字信号处理国际会议（DSP 2011）会议录中。[ Google Scholar ]
10. 拉杰普卡（Rajpurkar）；汉嫩，AY；Haghpanahi，M。C. Bourn; Ng，AY使用卷积神经网络进行心脏病专家级心律失常检测。arXiv 2017，arXiv：1707.01836。可在线获取：https：//arxiv.org/abs/1707.01836（于2020年6月5日访问）。
11. 乌拉圭阿查里亚；H.藤田; Lih，操作系统；亚当（M. 谭建辉; Chua，CK使用卷积神经网络使用不同持续时间的ECG片段自动检测冠状动脉疾病。知道 基于系统。 2017年，132，62-71。[ Google学术搜索 ] [ CrossRef ]
12. Kiranyaz，S .；Ince，T。Gabbouj，M.通过一维卷积神经网络对患者进行实时ECG分类。IEEE Trans。生物医学。。 2016，63，664-675。[ Google学术搜索 ] [ CrossRef ]
13. 塔吉（B.）陈，公元；Shirmohammadi，S.使用深度信念网络对测得的心电图信号质量进行分类。于2017年5月22日至25日在意大利都灵举行的IEEE国际仪器和测量技术会议（I2MTC）会议录中。[ Google Scholar ]
14. 乌拉圭阿查里亚；H.藤田; 哦SL gi原 谭建辉; 亚当，M。深层卷积神经网络在使用ECG信号自动检测心肌梗塞中的应用。Inf。科学 2017年，415，190-198。[ Google学术搜索 ] [ CrossRef ]
15. Savalia，S .；Emamian，V.通过多层感知器和卷积神经网络对心律失常进行分类。生物工程 2018，5，35 谷歌学术 ] [ 交叉引用 ]
16. 祖拜尔 金，J。Yoon，C.一种使用卷积神经网络的自动化ECG搏动分类系统。于2016年9月26日在捷克共和国布拉格举行的第六届IT融合与安全国际会议论文集中；第1-5页。[ Google Scholar ]
17. 李丹；张建。张强; Wei，X.基于一维卷积神经网络的心电信号分类。于2017年10月12日至15日在中国大连举行的IEEE第19届电子卫生网络，应用和服务国际会议论文集。[ Google Scholar ]
18. UBBaloglu；塔罗，M。Oil.Yildirim; Tan，RS；Acharya，UR具有多导联ECG信号和深CNN的心肌梗死分类。模式识别。来吧 2019，122，23-30。[ Google学术搜索 ] [ CrossRef ]
19. 唐X. Shu，L.使用RS和量子神经网络对心电图信号进行分类。诠释 J.多媒体无处不在的工程。 2014，9，363-372。[ Google学术搜索 ] [ CrossRef ]
20. M. Moavenian；Khorrami，H.心电图心律失常分类中人工神经网络和支持向量机的定性比较。专家系统 应用 2010，37，3088-3093。[ Google学术搜索 ] [ CrossRef ]
21. SH，Jambukia；VK达比；Prajapati，HB使用机器学习技术对心电信号进行分类：一项调查。于2015年3月19日至20日在印度加兹阿巴德举行的国际计算机工程与应用进步会议（ICACEA）会议录中。[ Google Scholar ]
22. 维杰亚瓦南（M. Rathikarani，V .; Dhanalakshmi，P.使用形态学特征对心脏病诊断进行ECG信号自动分类。诠释 J.计算机 科学 。技术。（IJCSET） 2014，5，449-455。[ Google Scholar ]
23. M.Sansone；富斯科河; Pepino，A .；Sansone，C.基于人工神经网络和支持向量机的心电图模式识别和分析：综述。J.健康 。 2013，4，465-504。[ Google学术搜索 ] [ CrossRef ]
24. Jollis，JG；格兰杰（CB）；TD亨利；EM，安特曼；伯杰，PB；莫耶（PH）；FD Pratt；罗科斯，IC；阿肯色州阿库尼亚；ML Roettig; 等。段抬高型心肌梗塞的护理系统：美国心脏协会使命：生命线报告。大约 心血管。质量 结果 2012，5，423-428。[ Google学术搜索 ] [ CrossRef ]
25. 王丹；Taubel，J .；Arezina，R.六个常用qt校正模型及其参数估计方法的比较。J.生物制药。统计 2012，22，1148年至1161年。[ Google学术搜索 ] [ CrossRef ]
26. GB，穆迪；马克（RG）；Goldberger，AL Physionet：用于研究生理信号的基于Web的资源。IEEE工程 中 生物学 2001年，20，70-75。[ Google学术搜索 ] [ CrossRef ]
27. GB，穆迪；Mark，RG MIT-BIH心律失常数据库的影响。IEEE工程 中 生物学 2001年，20，45-50。[ Google学术搜索 ] [ CrossRef ]
28. 阿拉巴马州戈德堡；洛杉矶阿玛拉尔；玻璃； L .；JM Hausdorff；PC的Ivanov；马克（RG）；JE，Mietus；GB，穆迪；彭CK Stanley，HE Physiobank，physiotoolkit和physionet。循环 2000，101，E215-E220。[ Google学术搜索 ] [ CrossRef ]
29. 戴，W。戴C. Qu，S .; 李建 Das，S.非常深的卷积神经网络，用于原始波形。2017年3月5日至9日在美国路易斯安那州新奥尔良举行的IEEE国际声学语音和信号处理国际会议记录中。[ Google Scholar ]
30. R.Avanzato；Beritelli，F。基于卷积神经网络的创新声学雨量计。信息 2020，11，183 谷歌学术 ] [ 交叉引用 ]
31. 贝里特斯 萨尔泽河。Sergo，V.使用部分类成员资格的软分类模型验证：敏感性和协同性的扩展概念。用于星形细胞瘤组织的分级。化学计量学。智力 实验室 Syst。 2013，122，12-22。[ Google Scholar ]
32. Scikit学习。Python中的机器学习。可在线获得：https：//scikit-learn.org/stable/（于2020年5月14日访问）。
33. Sridhar，C .；乌拉圭阿查里亚；H.藤田; Bairy，GM使用从ECG信号中提取的非线性特征自动诊断冠状动脉疾病。2016年10月9日至12日，匈牙利布达佩斯，SMC，在IEEE系统，人与控制论国际会议上发表的论文。[ Google Scholar ]
34. Ranjan，R .; Arya，R .; SL Fernandes；E.Sravya；Jain，V.一种用于睡眠EEG信号中自动k复杂检测的模糊神经网络方法。模式识别。来吧 2018，115，74-83。[ Google学术搜索 ] [ CrossRef ]
35. SHR Bukhari；MH Rehmani；Siraj，S.无线网络信道绑定的调查和未来派认知无线电传感器网络的信道绑定指南。IEEE通讯。生存 导师。 2016，18，924-948。[ Google学术搜索 ] [ CrossRef ]
36. 贝里特利，F。加洛塔（A. Rametta，C。一种双流方法，用于通过3G网络增强VoIP服务的语音质量。于2013年7月1日至3日在希腊圣托里尼举行的IEEE国际数字信号处理（DSP）国际会议论文集上。[ Google Scholar ]
