ECG Arrhythmia Classification By Using Convolutional Neural Network And Spectrogram

Sen, Sena Yagmur; Özkurt, Nalan

doi:10.1109/asyu48272.2019.8946417

Cited by 21 publications

(2 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Por otra parte, (Schwab et al, 2017;Limam and Precioso, 2017;Singh et al, 2018;Mostayed et al, 2018;Banerjee et al, 2019;Park and Yun, 2019;Simanjuntak et al, 2020) hicieron uso de la RNR, la MCP fue utilizada por (Gao et al, 2019;Hou et al, 2019;Yildirim et al, 2019;Saadatnejad et al, 2019;Kim and Pyun, 2020;Wang, 2021). Finalmente, como ya se había mencionado con anterioridad las CNN tienen una mayor aportación con los trabajos realizados por (Kachuee et al, 2018b;Yıldırım et al, 2018;Jun et al, 2018;Salem et al, 2018;S ¸en and Özkurt, 2019;Izci et al, 2019;Liu et al, 2019;Rohmantri and Surantha, 2020;Wang et al, 2020;Atal and Singh, 2020;Ferretti et al, 2021;Mathunjwa et al, 2021;Zhang et al, 2021). Surgen también la combinación entre dos ADL, es decir, la creación de modelos híbridos.…”

Section: Antecedentes Y Trabajo Relacionadounclassified

Clasificación de Arritmias Cardíacas mediante Redes Neuronales Convolucionales y Optimización por Enjambre de Partículas

Santander-Baños

Hernández-Romero

Barragan-Vite

et al. 2022

ICBI

View full text Add to dashboard Cite

Una arritmia cardíaca es un latido irregular del corazón que se traduce en un impulso eléctrico anormal, y su tipo se define por el ritmo y duración. Su clasificación ha sido abordada en diferentes campos de la ciencia, destacando el uso de algoritmos de aprendizaje profundo. La presente investigación, utilizó un modelo híbrido entre Redes Neuronales Convolucionales y el algoritmo metaheurístico de Optimización por Enjambre de Partículas; para la clasificación de arritmias cardíacas. El metaheurístico se encargó de optimizar la arquitectura de capas de la red neuronal, a través de la minización de la pérdida durante el entrenamiento y prueba. Los datos se obtuvieron del MIT-BIH Arrhythmia dataset, donde se describen cinco categorías de arritmias. Los resultados logrados demostraron que el metaheurístico es un algoritmo confiable en la búsqueda de la mejor arquitectura de capas, logrando obtener una exactitud del 97%, lo que significa que el uso de técnicas metaheurísticas es una opción que se debe tomar en consideración a la hora de optimizar el rendimiento de las redes neuronales convolucionales.

show abstract

Section: Antecedentes Y Trabajo Relacionadounclassified

Clasificación de Arritmias Cardíacas mediante Redes Neuronales Convolucionales y Optimización por Enjambre de Partículas

Santander-Baños

Hernández-Romero

Barragan-Vite

et al. 2022

ICBI

View full text Add to dashboard Cite

show abstract

“…Resnet34_2d[48] is a 34-layer residual neural network structure used for image recognition, while Resnet34_1d is a one-dimensional residual neural network based on the improved Resnet34_2d architecture. Image_CNN[49] transforms electrocardiogram records into two-dimensional grayscale images and inputs them into a convolutional neural network.…”

mentioning

confidence: 99%

A Coordinated Adaptive Multiscale Enhanced Spatio-Temporal Fusion Network for Multi-lead Electrocardiogram Arrhythmia Detection

Yang,

Jin,

et al. 2024

Preprint

View full text Add to dashboard Cite

The multi-lead electrocardiogram (ECG) is extensively used in clinical diagnosis and monitoring of cardiac conditions. With the development of deep learning, automated multi-lead ECG diagnostic networks play a crucial role in biomedical engineering and clinical cardiac disease diagnosis. Methods for intelligent ECG diagnosis include Recurrent Neural Networks (RNN), Transformers, and Convolutional Neural Networks (CNN). However, CNN can extract local spatial features of images, but it cannot learn global spatial features and temporal memory features. On the other hand, RNN relies on time and can remember important sequence features, but it cannot effectively extract long dependencies of sequence data in practical situations. The self-attention mechanism in Transformer has the capability of global feature extraction, but it does not adequately prioritize local features and lacks spatial and channel feature extraction capabilities. In this study, we propose STFAC-ECGNet, which comprises a CAMV-RNN block, CBMV-CNN block, and TSEF block, combining the advantages of CNN, RNN, and Transformer. The CAMV-RNN block introduces a coordinated adaptive simplified self-attention module, which adaptively performs global sequence feature memorization and enhances spatial-temporal information. The CBMV-CNN block integrates spatial and channel attentional mechanism modules in a skip connection, which can combine spatial and channel information. The TSEF block implements enhanced multi-scale fusion of image spatial and sequence temporal features. In this study, comprehensive experiments were conducted using the PTB-XL large publicly available ECG dataset and the China Physiological Signal Challenge 2018 (CPSC2018) database. The results demonstrate that STFAC-ECGNet outperforms other state-of-the-art methods in multiple tasks, exhibiting robustness and generalization.

show abstract

Detecting Heart Arrhythmias Using Deep Learning Algorithms

Choubey

Jha

Kumari

et al. 2023

Convergence of Cloud With AI for Big Data Analytics

View full text Add to dashboard Cite

ECG Arrhythmia Classification By Using Convolutional Neural Network And Spectrogram

Cited by 21 publications

References 17 publications

Clasificación de Arritmias Cardíacas mediante Redes Neuronales Convolucionales y Optimización por Enjambre de Partículas

Clasificación de Arritmias Cardíacas mediante Redes Neuronales Convolucionales y Optimización por Enjambre de Partículas

A Coordinated Adaptive Multiscale Enhanced Spatio-Temporal Fusion Network for Multi-lead Electrocardiogram Arrhythmia Detection

Detecting Heart Arrhythmias Using Deep Learning Algorithms

Contact Info

Product

Resources

About