ECG Signal Classification Using Convolutional Neural Networks (CNN)

Abstract

Les maladies cardiovasculaires (MCV) sont la principale cause de décès aux États-Unis aujourd'hui. L'analyse de l'électrocardiogramme (ECG), un appareil de surveillance médicale qui enregistre l'activité cardiaque, est la méthode actuelle de détection de la maladie. Malheureusement, trouver des professionnels pour examiner un grand volume de données ECG prend beaucoup trop de temps et d'argent. En conséquence, les méthodes basées sur l'apprentissage automatique pour reconnaître les caractéristiques de l'ECG n'ont cessé de gagner du terrain. Ces méthodes traditionnelles, en revanche, présentent plusieurs inconvénients, tels que la nécessité d'une reconnaissance manuelle des caractéristiques, des modèles complexes et une longue courbe d'apprentissage. Les cinq micro-classes de types de battements cardiaques dans la base de données d'arythmie MIT-BIH sont classées à l'aide d'un réseau de neurones convolutifs unidimensionnels profonds à 12 couches robustes et efficaces. Les cinq types de caractéristiques de battements cardiaques sont classés et une méthode de débruitage en ondelettes avec seuil auto-adaptatif est utilisée dans les expériences. Les résultats révèlent que le modèle expérimental fonctionne mieux en termes de précision, de sensibilité, de robustesse et de capacités anti-bruit. Sa classification précise préserve efficacement les ressources médicales, ce qui profite à la pratique clinique.