论文阅读：A new approach for arrhythmia classification using deep coded features and LSTM networks

一、摘要

文章提出了一种基于卷积自动编码（CAE）的非线性压缩结构，减小心律失常的信号大小。采用长短期记忆（LSTM）分类器，利用ECG特征自动识别心律失常，并利用CAE网络对其进行深度编码。基于编码的心电信号，大大降低了存储要求和分类时间。在使用MIT-BIH心律失常数据库进行的实验研究中，ECG信号被平均0.70%的均方根差（PRD）率压缩，其精确度超过99.0%。

二、数据

取MIT-BIH心律失常数据库中的ECG信号

三、方法

本研究的主要目的是以最小的损失压缩大型心电信号，然后利用压缩后的信号进行分类。这样既降低了大量信号数据的存储成本，又提高了识别效率。为了达到这些目的，首先建立了一个深度CAE模型，以最小的损失压缩数据。然后设计了一个LSTM模型用于压缩信号的识别。因此，提出了一种基于深层CAE和LSTM的心律失常自动分类方法。首先，利用CAE模型对心电信号进行压缩，得到每个信号的编码特征。在下一步中，使用编码特征对LSTM网络进行分类。图2显示了所提出的deep-CAELSTM识别系统的块表示。

输入信号用16层深CAE模型进行压缩。CAE模型由编码器和解码器两部分组成。在编码器部分，原始输入信号被还原为较小尺寸的编码特征。因此，大型输入数据被压缩并由小型数据表示。编码器部分中的1D卷积层构成特征映射，对输入数据使用卷积操作，以及指定大小的核心参数。这些特征图通过合并图层来减少，在研究中使用了max pooling方法。在max pooling方法中，指定的区域由一个最大值表示。此后，在编码器部分上使用批规范化层来规范化每个批的前一层的激活。结果，在系统的编码器部分，从260×1采样的原始输入信号中获得32×1大小的编码特征。对于解码器部分，可以通过使用编码特征来重构原始信号。1D卷积层的操作类似于编码器部分。上采样层具有与编码器部分中的池层相反的操作，以实现更高维度的数据表示。因此，压缩数据被扩展到足以表示在维度上与原始数据相似的特征的程度。利用解码器部分中的平坦层，将数据维度转换为下一密集层的适当大小。扁平层将多维向量转换为一维向量，因此需要在密集层和卷积层之间使用它。解码操作的最后一部分由密集层组成，在密集层中，从激活函数的原始信号表示中获得压缩特征。
本研究所使用的LSTM网路包含五层。在网络的第一层放置了一个32单元的LSTM块。利用平坦层调整LSTM的输出数据，使其适合于与紧随其后的密集层的接口。在平坦层之后，增加了128个单位的致密层。为了防止过拟合问题的发生，采用了0.1%的dropout。然后在网络的最后一层定位一个5个单位的密集层，自动识别心电节拍类型的类别。因此，深层LSTM网络根据编码特征对心律失常类型进行分类。

四、结果

为了对所提出的分类系统进行性能评估，准备了两种不同的网络结构。在图6中描绘了网络模型的框图，它是为分类过程而设计的。这些网络之间的唯一区别在于输入信号。第一个深度LSTM网络使用260个样本的原始心电信号作为输入。第二个网络使用32个编码信号样本。其目的是评估卷积自编码器结构作为压缩设备和特征提取器的成功性。在模型的训练阶段，70%的心电图信号用于训练，15%用于验证，其余15%用于测试。Adam优化器的批处理大小为128。将分类交叉熵作为网络的损失函数。
用于分类的两种网络的性能相似。深度LSTM网络在100个时期内达到最大99.43%的验证性能，而CAE-LSTM网络在同一时期达到最大99.21%的验证性能。两个网络都不存在过度拟合的问题，而且每个网络都表现出很高的训练性能。区分这些网络的最重要的性能标准之一是训练时间。值得注意的是，我们研究的动机之一是网络在每个时代的运行时间。当LSTM网络使用260个样本的原始心电信号作为输入数据时，每个历元的平均计算时间为165秒。因此，训练阶段需要16500秒或大约4.5小时，共100个阶段。另一方面，CAE-LSTM网络的每一个epoch在收到32编码的心电信号作为输入。因此，CAE-LSTM网络的训练阶段持续2200秒或0.61小时。虽然训练过程是离线的，但是模型在实际中是实时训练的。然而，该方案也很重要，因为它表明，对压缩数据的训练大大减少了计算时间。

本研究的优点可以概括为：根据心律失常的类型对ECG信号进行压缩，减小了数据量。该方法采用低损耗压缩。该方法可显著降低诊断系统的硬件成本，如移动健康、动态心电图和远程医疗。这些系统需要对心电数据进行连续和远程监控。该模型为患者数据的安全传输提供了适当的编码结构。通过编码特征的帮助，该模型减少了训练时间，这对大多数深度学习模型来说是一个挑战。·LSTM和CAE-LSTM模型可对心律失常类型进行分类，识别率非常高。

这项研究的主要缺点可以定义如下：它需要一个复杂的深层学习模型来进行压缩。获取编码特征所需的原始数据处理需要额外的时间。

五、讨论

本文提出了一种基于编码特征的深层LSTM网络模型来识别心律失常信号。讨论了心电信号自动识别的两个重要研究问题。首先是减小数据大小，以最小化存储需求和数据传输成本。这将有利于流行的应用，如电子健康和移动健康应用。此外，还确保将健康数据安全地传输到由非线性模型压缩的远程位置。为此，设计了一个基于CAE的深部压缩模型。深部CAE模型对每一类信号进行压缩，其丢失率分别为0.70prd和11.68qs。第二是拍信号的自动识别。为此目的，最近在处理顺序数据方面变得突出的LSTM网络被使用。在这项研究中，我们准备了两个LSTM网路，以供原始及编码的ECG心跳作为输入资料。这些网络的数据识别率分别为99.23%和99.11%。这项研究最重要的贡献之一是将编码信号的深层LSTM网络的训练时间从4.5小时缩短到0.6小时。