Abstract: N. Martono, T. Nishiguchi, H. Ohwada (2022)

Automatic electrocardiogram (ECG) analysis is crucial in diagnosing heart arrhythmia but is limited by the performance of existing models owing to the high complexity of time series data analysis. Arrhythmia is a heart condition in which the rate or rhythm of the heartbeat is abnormal. The heartbeat may be excessively fast or slow or may have an irregular pattern. Research has shown that the use of deep Convolutional Neural Networks (CNNs) for time-series classification has several advantages over other methods.They are highly noise-resistant models and can very informatively extract deep features that are independent of time. Five classes of heartbeat types in the MIT-BIH arrhythmia database were classified using the resilient and efficient deep CNNs proposed in this study. The proposed method achieved the best score (95.8% accuracy) for arrhythmia detection using the deep learning classification method.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

ECG Signal Classification Using Recurrence Plot-Based Approach and Deep Learning for Arrhythmia Prediction