基于连续小波变换和高阶统计量的心律失常识别算法.pdf

-366-近年来，深度学习在医学信号处理中表现优异，尤其是卷积神经网络（Convolutional Neural Network,CNN）和循环神经网络（Recurrent Neural Network,RNN)在ECG分类中得到成功应用。通过对大量数据进行学习，可提取更抽象和更丰富的特征信息，显著提升检测、识别分类等任务的性能。例如Yildirim等1在MIT-BIH心律失常数据库12 上提出一种用于心律失常分类的一维CNN分类模型，该模型是分类精度较高的16 层深度卷积网络。Wang等利用连续小波变换(CWT)将一维心电变换为二维时频心电频谱图像，然后将得到的心电频谱图像输入到二维CNN中，该方法将一维信号转换为二维信号，使CNN的特性得到充分利用。Acharya等13使用基于CNN方法，通过使用数据增强技术和训练数据平衡方法，在准确率和鲁棒性方面表现出色。Hou等14提出一种新的深度学习网络，该网络基于长短期记忆自编码器网络提取心律失常数据的特征，并使用支持向量机从学习到的特征中对心律失常进行分类。Jyotishi等15使用基于长短期记忆网络（Long Short-Term Memory,LSTM)的方法,具有较强的抗噪声和时序体征提取能力，在不需要手动特征标注的情况下能够达到很高的准确率。Chen等16 提出一种新的心电分类网络，该网络由5个卷积神经网络块、1个具有注意机制的双向门递归单元和1个全连接分类器组成，并取得很好的分类效果。Wang等17 提出的方法由33层CNN架构和非局部卷积块关注模块组成，该方法中的CNN架构旨在提取ECG的空间和通道特征，非局部注意捕获沿空间和通道轴的代表性特征的长依赖关系。Strodthoff等18 使用时间序列分类中一些最先进的网络进行心电分类，包括全卷积网络、一维残差网络、InceptionTime等网络，这些网络在心电分类方面也表现良好。但是，以上方法大多是从时序特征或者空间特征单方面去挖掘数据特征，存在对数据信息利用不够充分的问题。因此,本文提出一种基于CWT和高阶统计量(Higher-OrderStatistics,HOS)的心律失常识别算法。针对可变持续时间ECG数据的问题，通过RR间期插值法，使处理后的原始数据转化为等长的信号序列。针对心电信号具有较高的时频分辨率的问题，通过CWT可以将心电信号分解为不同的时频分量，使得卷积神经网络更好地提取心电信号中的时间和频率特征19。为了利用心电信号中的时序信息，引人RNN中的LSTM模型，有效捕捉心电信号中的长时依赖关系，同时使用加权交叉熵损失函数，缓解数据分布不均衡的问题。最后，将以上两种模型提取的特征进行融合，从而提升对心电信号的识中国医学物理学杂志别能力。通过在公开的MIT-BIN数据集上进行实验，证明所提方法的有效性和优越性。1方法在心律失常识别领域，可变持续时间ECG数据的采集方式和数据特点与传统图像数据不同，需要进行特殊处理和建模。此外，ECG信号中蕴含有重要的时序信息，这增加了建模的难度。因此，本文提出一种基于CWT和HOS的心律失常识别算法，旨在克服这些问题并提高ECG识别的准确率和鲁棒性。模型的总体框架如图1所示。首先，对原始信号进行去噪和分割处理，然后使用两个单独的网络对处理后的信号进行特征提取，每个网络提取不同模式下的特征信息，最后通过一个可学习的融合层进行后期融合。1.1数据预处理临床采集的ECG信号通常会受到各种噪声的干扰，如基线漂移、肌电图干扰和电源线干扰，这使得很难从原始ECG信号中提取有用的信息。因此，在进一步处理之前需要噪声过滤。由呼吸或患者运动引起的基线漂移对ECG分类有重要影响，本文对噪声基线漂移进行滤波处理。在先前工作的基础上，采用两个中值滤波器（即2 0 0 ms和6 0 0 ms的中值滤波器)实现基线漂移，然后将其从原始信号中滤除以产生基线校正的ECG信号。图2 a和图2 b分别显示滤波前后噪音去除的效果，可以发现预处理后的信号更加简洁清晰。与常规无限脉冲响应和有限脉冲响应等其他滤波技术相比，中值滤波器可以在不增加相位失真的情况下消除异常值。由于可变持续时间ECG数据的采集方式和数据特点与传统图像数据不同，在心律失常分类之前，需要从心电信号中分离单个心跳。首先采用RR间期插值法,将处理后的数据转化为等长的信号序列，这通常需要准确检测QRS波和心跳的基准点。目前有许多高精度QRS波和基准点定位方法，已经有文献2 0-2 5证明QRS波和基准点定位方法对识别性能有重要的影响。在本文中,将带注释的R峰值位置作为基准点,并将心电信号分割成一系列心跳信号节拍。对于每个心跳，分别在R峰值之前采集10 0 个样本，之后采集2 0 0 个样本，获得固定大小的30 0 个样本的心电信号。这些采样点捕捉到了最重要的心跳波，图2 c显示了分割的结果。1.2基于CWT-CNN模型为了应对心电信号具有较高的时频分辨率，本文提出一种基于CWT和CNN相结合的CWT-CNN模型。首先，采用CWT将心电信号分解为不同的时第41卷第3期李刚，等.基于连续小波变换和高阶统计量的心律失常识别算法基于连续小波变换和高阶统计量的心律失常识别算法总框图预处理特征挖掘模型基于高阶统计量的特征提取+LSTM-LSTMLSTMLSTM去噪信号分割训练集验证网络367数据增强和分类正常(Normal)AMI心跳类FC1室上性早搏(SVEB)FC2房颤（F)室性早搏（VEB)少数类多数类VLSTM-LSTM基于连续小波变换的特征提取特征图谱，特征图谱特征图谱特征图谱特征图谱输4300*3004150*15016150*1501675*753238*38第一层第一层第二层第二层第三层第三层卷积池化卷积池化卷积数据增强特征图谱12811输出池化特征提取归一化图1心律失常识别算法总体框架图Figure 1 Overall framework of the arrhythmia identification algorithm1.000.75-0.500.25R0.00-0.25-0.5002505007501000125015001750t/sa：原始数据1.251.000.750.500.250.00-0.25-0.5002505007501000125015001750t/sb：噪音去除后的效果TRR前10 0 个采样点图2 数据预处理可视化Figure 2 Data preprocessing visualizationTR节拍分割C心跳分割的方式TR+1单次心跳R后2 0 0 个采样点频分量。通过这种分解，能够更好地捕捉心电信号中的时间和频率特征。CWT是最常用的时频分析工具，使用一系列小波函数在时频域中分解信号。它继承并发展了短时傅里叶变换的定位思想，通过调整尺度和平移参数，在高频中提供高时间分辨率和低频分辨率，在低频中提供高频分辨率和低时间分辨率。形式上,给定信号x(t)的CWT定义为：其中,是尺度参数,b是平移参数,而x(t)是小波函数(也称为基小波)。该尺度变换通过：(t)(t-)d,a(1)-368-FxJF=a将原始数据转换到频域,其中F.是基小波的中心频率,f.是信号x(t)的采样频率。其中,基小波的选择往往对时频分析的效果至关重要。在本研究中,采用墨西哥帽小波为基小波,因为它接近QRS波的形状,并被广泛用于ECG信号分析,其定义为：2p(t)exp(-=)(1-t2V3V元利用CWT的不同尺度因子，得到信号在不同尺度下的小波系数。这些小波系数可以被视为ECG信中国医学物理学杂志号在时频域中的二维尺度图。图3分别显示正常心(2)跳、室性早搏、室上性早搏和房颤的时域ECG心跳信号和标度图。这4种信号均有30 0 个采样点，并以360Hz的频率采样，由墨西哥草帽小波分解。从标度图可以看出，室性早搏心跳与正常心跳明显不同。这表明可以使用尺度图进行心跳分类。然而，很难明确建立尺度图与异常条件之间的关系。为了解决(3)这个问题,本研究构建一种基于CWT和CNN模型的特征提取模型用于挖掘不同心律失常和正常心跳之间的潜在关系,该模型的具体参数如表1所示。第41卷0.75-0.500.250.00-0.2500.50-0.75-1.00050100150.200250.300采样点a:正常心跳1.502001801.00160-0.50-140Au/1200.0010080-0.5060-1.00-4020750100150200250300050100150.200250采样点采样点c：室上性早搏图34种原始心电心跳信号及其CWT尺度图Figure 3 Four original ECG heartbeat signals and their CWT scalograms200180160-140120310080604020050100150.200250采样点2.82.42.0入叫/1.6-0.51.20.0-0.80.40.03.53.0-2.5入叫/0.02.0-0.51.5-1.01.0-1.50.5-2.00.0750100150200250.300采样点2.0-1.5-1.0-0.5-1.0-750100150,200 250.300采样点b:室性早搏2001.0-180-0.5-160-140120图10 058060-40-200550100150200250采样点d:房颤200180160140-120100-80604020050100.150200250采样点3.22.82.42.01.61.20.80.40.03.22.82.42.01.61.20.80.40.01.3RRHOS-LSTM模型RRHOS-LSTM模型由特征提取层和LSTM组成，其基本网络结构如图4所示。特征提取过程包括RR间隔和HOS两个部分,RR间隔部分从RR间隔中提取8 个特征，以揭示关于两个连续心跳R峰的全局和局部信息。HOS部分测量输人心跳的高阶统计特征，包括偏度和峰度，以衡量心跳的锐度和不对称性。相比于形态学ECG数据,HOS提取的特征更加丰富。HOS从5个连续心跳（2 个前心跳和2 个后心跳伴随当前心跳)中提取6 0 个特征，LSTM的输入特征个数为6 8,对输人特征进行处理，学习时间动态。在LSTM后面添加2 0%的Dropout层，以减少模型过拟合。每个时间步长产生LSTM的输出隐藏状态，并将其传递给Softmax层对心电信号进行分类。通过采用构建的RRHOS-LSTM模型,能够充分考虑到可变持续时间ECG数据中的时序特性,并将其有效地应用于特征提取和建模过程中。这种方法能够更准确地捕捉ECG中的重要信息，并提高ECG识别的性能。1.4网络融合与验证多模式特征的有效融合是提高网络性能的关键，本文提出一种自适应参数融合网络，可以有效地融合CWT-CNN模型和RRHOS-LSTM模型提取特征的多样性,进一步提高多模式特征提取网络的性能。将第 个特征提取网络经过自适应平均池化层和整形函数依次处理后的特征映射记为f,那么多模式特第3期李刚，等.基于连续小波变换和高阶统计量的心律失常识别算法表1CWT-CNN模型架构参数Table 1 Architecture parameters of CWT-CNN modelNo.卷积层1Input1*2Conv2D3BatchNormalization4Relu5Max pooling6Conv2D7Batch Normalization8Relu9Max pooling10Conv2D11Batch Normalization12Relu13Globel Max pooling14Flatten15Input2*16Concatenate17Dense18Dense369卷积核大小卷积核个数填充步幅输出形状参数数量1001001771655333x33x33x30032006401949416949416518181611616x321616x3216x16x323553213x36433643x3641x1x6464468324949416784644608128184322562208132LSTMLSTMLSTMLSTMLSTMInput图4RRHOS-LSTM模型的网络架构图Figure 4 Network architecture of RRHOS-LSTM modelLSTMLSTMLSTMLSTMLSTMOutput征融合的输出。可以表示为：J.=Zo(F:(f)其中，v为特征提取模型的个数总数,本文设置v=2,为Sigmoid激活函数,F为全连接层，c为特征通道数。用于多模型特征融合的网络如图5所示。1.5加权交叉损失函数由于ECG数据分布高度不平衡，对少数类进行过度采样可能会导致过拟合，并增加训练模型的时间复杂度，因此使用加权损失函数来鼓励每个模型更加关注少数类。在本文中，使用加权交叉作为全连接层的损失函数。加权交叉熵损失函数L可以定义为：(4)ML=-.yoelog(po.c)其中,。是c类的权重函数，yo。是真值二进制指示符，Po为观测值o被分类为c的预测值。权重.基于样本频率定义如下：F。=F。其中,F,是多数类的样本数,F。是类c的样本数。这里使用的比例是1:4,意味着阴性样本的数量是阳性(5)(6)-370-CWT-CNNV=1128256Dense图5多特征融合的网络架构图Figure 5 Network architecture for multi-feature fusion样本的4倍。加权交叉熵损失函数对于确保模型是学习少数类而不是被多数类过度拟合非常重要。中国医学物理学杂志InputInputRRHOS-LSTMV=2128f。第41卷结果与分析2.1楼数据集本文提出方法的评估基准数据集是著名的MIT-BIH心律失常数据库12。该数据库包含47 位受试者的48 个0.5h记录。从40 0 0 个2 4h动态ECG记录中随机选择2 3个记录，作为常规临床情况的代表性样本。剩下的2 5个记录也是从上述动态ECG记录中获得，其中包含罕见但临床意义重大的心律失常。每个记录包括两个导联（称为导联A和导联B），每秒36 0 个样本,ECG信号范围为10 mV，具有11位分辨率。导联A对应于改良导联I(MLII),而导联B则根据记录的情况而定，包括导联VI、V I I、V 2、V 4或V5。由于MLII在所选记录中普遍使用,本文中使用MLII进行ECG分类。这些记录由两名或多名心脏专家独立标注，并被归类为15种心律失常类型。根据医疗器械进步协会（AAMI)的建议，将这些心律失常进一步分为5类，如表2 所示，并排除具有起搏搏动的4个记录（即10 2、10 4、10 7 和2 17）。此外，由于实际上不存在Q类心律失常，本研究像其他研究一样忽略了它2。表2 MIT-BIH心律失常数据库心跳类型到AAMI心跳类的映射Table 2 Mapping of MIT-BIH arrhythmia database heartbeat types to AAMI heartbeat classes正常心跳（N）正常节拍（或非）（N)-N左束支传导阻滞（LBBB)-L变异性房性早博（aAP）-a右束支传导阻滞（RBBB)-R心房异搏（AE)-e节点逃逸拍(NE)-j室上性异常搏动（A）房性早博（AP)-A节点早搏(NP)-J室上性早搏（SP）-S室性异常搏动（V）室性早搏收缩(PVC)-V心室融合(fVN)-F心室逸搏（VE)-E融合节拍(F)未能分类的节拍（Q）节奏节拍(P)-/节奏和正常节拍的融合（fPN）-f未分类节拍(u)-Q如上所述，本文关注的是方法在患者之间的表现。为了与现有研究进行直接比较,采用de Chazal等3提出广泛使用的数据分割方法对MIT-BIH心律失常数据库进行分割。将数据库分为DS1和DS2两个数据集，每个数据集包含2 2 个具有相似心跳类型比例的记录。第一个数据集用于训练,第二个数据集用于评估该方法的性能。两个数据集中不包含同一患者。2.2评价指标本文使用4个指标对所提方法的性能进行评估。这些指标包括准确率(Acc）、F1值、灵敏度(Sen)和精确度(Ppv),定义如下：TP+TNAccTP+TN+FP+FNPpv SenF1=2Ppv+SenTPSen=TP+FNTPPpV=TP+FP其中,TP(True Negative)指的是被正确地判断为正例样本的心跳数;FP(False Positive)表示实际为负例样本被错误地判断为正例的心跳数；FN（Fa ls eNegative)被定义实际为正例样本被错误地判断为负例的心跳数；TN(True Negative)表示被正确地判断为负例样本的心跳数。(7)(8)(9)(10)第3期2.3实验环境与参数设置本文在TeslaV100-SXM2图形处理单元上进行实验，主要环境配置和参数如表3所示。选择交叉熵作为损失函数，并采用Adam优化器进行训练。卷积层和全连接层的权重采用核初始化方法进行初始化。初始学习率设置为0.0 0 1,每5个epochs降低为原来的0.1倍。模型的批量大小为12 8,最大epochs设置为30。使用TensorFlow2.0实现深度卷积网络。李刚，等.基于连续小波变换和高阶统计量的心律失常识别算法精确度灵敏度mexh70.75morl61.68gauss867.23gauss465.33-371 表44种小波函数的整体分类性能比较（%）Table 4 Overall classification performance comparison among 4waveletfunctions(%)小波丽函数类型67.4767.1366.9768.18F1值68.7663.5465.6366.56准确率98.7497.6598.1498.30表3模型训练超参数Table 3 Hyperparameters for model training参数optimizerepochsbatch_sizelosswfdbTensorFlowCUDACuDNN2.4消融实验与结果分析为了提升心律失常识别的准确率，本文提出一种基于CWT和HOS的心律失常识别算法模型。该模型利用了卷积网络在基于CWT和HOS的特征表示方面的能力，以识别不同类型的心率失常。为了验证该模型的性能，本文进行以下消融实验以对其结果进行分析。由于小波函数的选择对CWT具有重要影响。因此，本文首先探究不同小波类型对性能的影响。在信号分析中,CWT是最常用的信号分析工具之一,但是小波函数的选择并没有一个统一的标准。为了充分验证基小波的种类对模型特征提取性能的影响,在本文中,除了墨西哥草帽小波(mexh)之外还分析了3种广泛应用于ECG信号的小波函数，包括Morlet小波（morl）、高斯小波（gauss8,gauss4),以研究小波函数类型对分类结果的影响。在表4中列出4种小波函数的总体性能指标。mexh在精确度、F1值和准确率方面取得最佳表现，只是灵敏度略低于gauss4。为了探究这一结果背后的原因，本文绘制了这些小波函数的波形，如图6 所示。研究发现，在这些小波函数中，mexh的波形最接近ECG信号的波形，其次是gauss4,而gauss8和morl与ECG信号的波形差异较大。分析发现ECG信号的波形与小波函数之间的相似度越高，性能越好。因此,在执行类似ECG信号分析时，建议使用与信号相似度较高的小波取值函数。Adam为探究联合模型较单一分类模型的优越性，本30文对单个CWT-2DCNN、RRH O S-LST M 和128CWTHOS-Net模型在MIT-BIH数据库下进行消融实sparse_categorical_crossentropy验，以确认所提出的联合CWTHOS-Net模型对ECG4.1.0信号分类的有效性。如表5所示，在MIT-BIH数据集2.0上，联合CWTHOS-Net模型的整体性能优于单一10.2CWT-2DCNN模型和RRHOS-LSTM模型。7.6.5为了验证模型的优越性，根据AAMI的建议9,本文对MIT-BIH心律失常数据库的心跳进行分组，将数据库划分为DS1和DS2数据集。DS1用于训练，DS2用于测试。为了进行公平的比较,在本研究中，仅将其与使用相同策略的方法进行比较，以进一步证实所提出的联合网络模型分类算法的有效性。表6显示了本研究和现有研究方法性能比较，可以看出所提出模型的分类精确率和F1值均优于其他方法。除正常心跳类和融合节拍类外，本文所提出的方法在所有其他类别度量中取得了最佳性能。例如,与性能最好的Hu等2 6 提出的ResNet-TCN模型相比，本文所提出的方法在室上性异位搏动类、室性异位搏动类和融合节拍类中的灵敏度分别提高4.3%、1.2%、1.6%；精确度分别提高8.5%0.3%、2.5%。除了正常心跳类之外，本文方法在其他类中取得更好或可比较的性能。造成这种结果的原因是本文提出的方法在训练分类过程中采用加权损失函数来处理MIT-BIN数据集的不均衡性。这消弱了正常心跳类作为多数类的优势，使得对其单独的性能度量降低。帮助了少数类，使得少数类的度量性能得到提升，整体的准确率和F1值分别提升到99.2%和96.3%。特别是，本文方法总体F1值提高3.2%5.2%。对于融合节拍类，该类心律失常是由心房快速而不规则跳动引起的。房颤是一种复杂的心律失常，它的特征提取比其他类型的心律失常更具挑战性，又加上在MIT-BIH心律失常数据库中的比例相-372-中国医学物理学杂志0.80.60.60.4A/0.40.20.0-0.2-0.41.00.8Au/i0.6-0.40.20.0第41卷0.2-0.00.2-0.4-0.6-4-2a：墨西哥草帽小波（mexh）-4-2c：高斯小波(gauss8)0t/s0t/s22Figure 6Four types of wavelet functions44图6 4种类型的基小波-4b:Morlet小波(morl)1.0-0.80.60.40.20.0-2-4-2d:高斯小波(gauss4)0t/s0t/s2244表5CWTHOS-Net模型与单一分类模型的性能比较Table 5 Performance comparison between CWTHOS-Netmodel and single classification models分类器准确率灵敏度精确度F1值CWT-2DCNN0.988RRHOS-LSTM0.989CWTHOS-Net0.992对较少，仅占总数据量约16%，这也就导致模型在识别房颤时出现度量指标低的情况。在本研究中，使用高阶统计信息进行特征提取分析，来解决房颤ECG信号在时间和频率上的变化较快的问题，但融0.9610.9640.9870.9610.9880.9630.9610.9610.963合节拍类的数量有限，因此引入加权损失函数对数据集做数据增强处理。这使得本文方法对于融合节拍类呈现出更好的结果。表6 本研究和现有研究方法的分类性能比较Table 6 Classification performance comparison between the proposed method and the existing methods正常心跳模型准确率F1值灵敏度精确度灵敏度精确度灵敏度精确度灵敏度精确度Acharya等130.940Zhu 等2 0.978Hua 等2 40.974Gai250.986Hu 等2 6 0.988本文方法0.992室上性异位搏动0.9240.9160.9110.9920.9310.9650.9120.9960.9250.9940.9630.980室性异位搏动0.8520.8900.9850.8750.9710.9280.9900.7970.9940.9170.9580.960融合节拍0.9480.9410.9530.9470.9570.9280.9060.9590.8900.9680.9750.9800.9510.9520.9640.9710.9690.9720.9520.7390.8360.8460.7830.7990.9470.8610.9040.8400.8820.907在特征学习方面，本研究基于深度学习的方法可以自动从数据中提取判别特征。为了验证特征提取能力,使用t分布随机邻居嵌(t-SNE)来可视化提取ECG特征。图7 显示原始尺度图和从4个卷积单元获得的表示特征的t-SNE。为了实现良好的可视化效果，可视化过程中减少图中的样本数量。从第3期图7 a中可以看出，原始尺度图中不同类型的心跳混合在一起,并且存在一些异常值,特别是红色标签代表的正常类,这是由于心率失常的特性导致的，心率失常的心跳形状发生细微变化，导致其与正常类的心跳混淆。在卷积单元中，随着层次的加深，异常值李刚，等.基于连续小波变换和高阶统计量的心律失常识别算法-373=逐渐减少，心跳得到更好的聚集。图7 d所示最后一个卷积单元中，不同类型的心跳已经得到明显的聚类，特别是正常类心跳被有效地区分出来。这表明多模式深度卷积模型可以有效地提取特征，并且随着网络深度的增加,所提取的特征更具有辨别能力。30-4020200-20-40-4010-0-10-20-30-40-40-20a：第1层卷积输出特征02040N-40b：第2 层卷积输出特征40-30-2002040Q20201000-10-20-20-30-40-40-40-20c：第3层卷积输出特征Figure 7 Visualization of t-SNE for model output layer features020图7 模型输出层特征的t-SNE40-40d：第4层卷积输出特征-20020403结论本文提出一种基于CWT和HOS的心律失常识别算法，该方法将ECG心跳信号转换到时频域以避免不同频率分量的混叠效应，然后使用CNN从分解后的时频分量组成的尺度图中提取特征，充分利用CWT在多维信号处理和CNN在图像识别方面的优势。此外，为了充分利用ECG中的时序信息，使用RR间隔和HOS作为补充特征，结合LSTM模型来获取时序信息。通过在MIT-BIH心律失常数据库上使用患者间样本进行测试，该方法的精确度、灵敏度、F1值和准确率的总体表现分别为9 6.3%、9 8.8%、96.3%和99.2%。与单一模型相比，本文提出的多模式模型在准确率和F1值方面具有一定的优越性。接下来更进一步的研究可以聚焦将网络扩展到其他相关的识别任务，例如心脏疾病和人物识别等方面。【参考文献】1 Wang T,Lu CH,Sun YN,et al.Automatic ECG classification usingcontinuous wavelet transform and convolutional neural networkJ.Entropy(Basel),2021,23(1):119.2刘建华，吕建峰，蔡金丹.基于卷积神经网络和长短时记忆网络的心肌梗死检测J.中国医学物理学杂志，2 0 2 2,39(11):1448-1452.Liu JH,Li JF,Cai JD.Screening for myocardial infarction usingconvolutional neural network and long short-term memory networkJ.Chinese Journal of Medical Physics,2022,39(11):1448-1452.3 de Chazal P,ODwyer M,Reilly RB.Automatic classification ofheartbeats using ECG morphology and heartbeat interval featuresJ.IEEE Trans Biomed Eng,2004,51(7):1196-1206.374-4 Gaurav K,Goyal V,Saini N.Arrhythmia classification using supportvector machine and decision treeJJ.International Journal of ScientificResearch in Computer Science and Engineering(IJSRCSEIT),2018,6(3):33-38.5 Khalaf AF,Owis MI,Yassine IA.A novel technique for cardiacarrhythmia classification using spectral correlation and support vectormachinesJ.Expert Syst Appl,2015,42(21):8361-8368.6 Tao X,Gao L,Li Y,et al.Multi-view deep learning for automated ECGclassificationJ.J Ambient Intell Humaniz Comput,2018,9(6):1933-1942.7 Li C,Zheng Y,Liu Y,et al.Multi-view deep learning for ECGclassification C/Proceedings of the 2018 International JointConference on Neural Networks(IJCNN).2018:1-7.8 Daubechies I.The wavelet transform,time-frequency localization andsignal analysisJ.IEEE Trans Inf Theory,1990,36(5):961-1005.9 Wang X,Zhang X,Cheng F,et al.An optimized linear discriminantanalysis algorithm for ECG classificationJ.J Healthc Eng,2019,6(19):1-11.10 Abbas Q,Khan AM,Ullah I.ECG signal classification using lineardiscriminant analysis and unsupervised feature learningJ.BiomedSignal Process Control,2019,53(2):101580.11J Yildirim O,Plawiak P,Tan RS,et al.Arrhythmia detection using deepconvolutional neural network with long duration ECG signals J.Comput Biol Med,2018,102:411-420.12 Moody GB,Mark RG.The impact of the MIT-BIH arrhythmia databaseJ.IEEE Eng Med Biol Mag,2001,20(3):45-50.13 Acharya UR,Oh SL,Hagiwara Y,et al.A deep convolutional neural network model to classify heartbeatsJ.Comput Biol Med,2017,89:389-396.14 Hou BR,Yang JY,Wang P,et al.LSTM-based auto-encoder model forECG arrhythmias classificationJ.IEEE Trans Instrum Meas,2020,69(4):1232-1240.15 Jyotishi D,Dandapat S.An LSTM-based model for personidentification using ECG signalJ.IEEE Sensors Letters,2020,4(8):1-4.16 Chen TM,Huang CH,Shih ES,et al.Detection and classification ofcardiac arrhythmias by a challenge-best deep learning neural networkmodelJ.iScience,2020,23(3):100886.中国医学物理学杂志17 Wang JK,Qiao X,Liu CC,et al.Automated ECG classification usinga non-local convolutional block attention moduleJ.Comput MethodsPrograms Biomed,2021,203:106006.18 Strodthoff N,Wagner P,Schaeffter T,et al.Deep learning for ECGanalysis:benchmarks and insights from PTB-XLJJ.IEEE J BiomedHealth Inform,2021,25(5):1519-1528.19吕杭，蒋明峰，李杨，等.基于混合时频域特征的卷积神经网络心律失常分类方法的研究J.电子学报,2 0 2 3,51(3)：7 0 1-7 11.Lu H,Jiang MF,Li Y,et al.Research on arrhythmia classification byusing convolutional neural network with mixed Time-Frequencydomain featuresJ.Acta Electronica Sinica,2023,51(3):701-711.20徐柏林,蔡文杰，杨明菲，等.基于改进U-Net模型的心电波形分割J.中国医学物理学杂志,2 0 2 2,39(10)：12 7 4-12 7 9.Xu BL,Cai WJ,Yang MF,et al.ECG waveform segmentation basedon improved U-Net modelJJ.Chinese Journal of Medical Physics,2022,39(10):1274-1279.21 Li W,Li B,Meng HL,et al.The QRS complex detection of ECG signal based on IPCMM algorithm CJ/2020 39th Chinese ControlConference(CCC).Piscataway,NJ,USA:IEEE,2020:6225-6230.22 Zhu WL,Chen XH,Wang Y,et al.Arrhythmia recognition andclassification using ECG morphology and segment feature analysisJ.IEEE/ACM Trans Comput Biol Bioinform,2019,16(1):131-138.23 Palma LD,DAlessandro VI,Attivissimo F,et al.ECG wavesegmentation algorithm for complete P-QRS-T detectionC/2023IEEE International Symposium on Medical Measurements andApplications(MeMeA).Piscataway,NJ,USA:IEEE,2023:1-6.24 Hua X,Han