高碩 許少華

摘 要 ：針對(duì)復(fù)雜非線性多通道時(shí)變信號(hào)模式分類問題，提出了一種集成卷積神經(jīng)網(wǎng)絡(luò)（CNN）與隨機(jī)森林（RF）相融合的方法。該方法以CNN為基學(xué)習(xí)器，自動(dòng)提取信號(hào)樣本的抽樣特征，同時(shí)省去降維與人工選擇特征的過程，以RF為次級(jí)學(xué)習(xí)器，增加樣本擾動(dòng)，同時(shí)增加屬性擾動(dòng)。為增強(qiáng)樣本多樣性，使得該模型盡可能充分利用信息，在訓(xùn)練集中隨機(jī)抽取7份子訓(xùn)練集，再利用7份子訓(xùn)練集訓(xùn)練出7個(gè)不同的學(xué)習(xí)器;最后通過投票法和學(xué)習(xí)法建立集成模型，提高了識(shí)別精度。實(shí)驗(yàn)結(jié)果表明，在測(cè)量區(qū)間上，該方法對(duì)3種ECG信號(hào)類別的平均分類精度達(dá)94.60%，提高了1.1%，取得了良好結(jié)果，驗(yàn)證了模型和算法的有效性。

關(guān)鍵詞：非線性時(shí)變信號(hào);心電信號(hào)分類;卷積神經(jīng)網(wǎng)絡(luò);隨機(jī)森林;集成學(xué)習(xí)

DOI：10. 11907/rjdk. 191705 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）007-0024-04

Application of An Ensemble CNN Model in ECG Signal Classification

GAO Shuo，XU Shao-hua

（College of Computer Science and Engineering，Shandong University of Science and Technology，Qingdao 266590， China）

Abstract：Aiming at the problem of complex nonlinear multi-channel time-varying signal pattern classification， we propose a method of ensemble convolutional neural network （CNN） and random forest （RF）. The method uses CNN as the base learner to automatically extract the sampling features of signal samples， and eliminates the process of dimension reduction and manual selection. RF is the secondary learner which increases the sample disturbance and increases the attribute disturbance. In order to enhance the sample diversity， the model makes full use of the information， randomly extracts the 7 sub-training set in the training set， and then uses the 7 sub-training set to train 7 different learners. Finally， the ensemble model is constructed by voting method and learning method， then the classification accuracy is improved. The experimental results show that the average classification accuracy of the three ECG signal classes is 94.60% and 1.1% higher in the measurement interval， and good results are obtained， which verify the validity of the model and algorithm.

Key Words：nonlinear time-varying signal; ECG signal classification; convolutional neural network;random forest;ensemble learning

基金項(xiàng)目：山東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2015GGH309003）

作者簡(jiǎn)介：高碩（1992-），男，山東科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院碩士研究生，研究方向?yàn)樵朴?jì)算、大數(shù)據(jù)處理;許少華（1962-），男，山東科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院教授、博士生導(dǎo)師，研究方向?yàn)槿斯ぶ悄堋⒋髷?shù)據(jù)分析。本文通訊作者：許少華。

0 引言

在信號(hào)處理領(lǐng)域，頻率和幅值隨時(shí)間變化而變化的多成分信號(hào)，被稱為時(shí)變信號(hào)（Time Varying Signal，TVS），如語音、音樂、生物醫(yī)學(xué)和地震信號(hào)等[1]。信號(hào)樣本往往高度依賴于時(shí)間變化，其模態(tài)特征可以是可變的或不規(guī)則的，特別是對(duì)于一些復(fù)雜的多變量非線性系統(tǒng)[2]。例如，心電圖信號(hào)是非線性、非平穩(wěn)等特性的信號(hào)，包括多個(gè)峰值、周期和其它具有挑戰(zhàn)性的特征。它們還表現(xiàn)出由生理機(jī)制差異引起的心跳頻率、心跳間隔和信號(hào)強(qiáng)度變化。因此，多通道信號(hào)的組合特性非常復(fù)雜，給時(shí)變信號(hào)系統(tǒng)分析和建模帶來了挑戰(zhàn)[3]。

心血管疾?。–VDs）是世界范圍內(nèi)的主要死亡原因，其管理已成為全球的當(dāng)務(wù)之急[4]。心電信號(hào)（ECG）作為一種能夠表征心臟狀況的生理信號(hào)，對(duì)心血管疾病的檢測(cè)和診斷具有重要意義。最近研究發(fā)現(xiàn)，CNN在時(shí)間序列生物信號(hào)中的應(yīng)用前景廣闊，如ECG[5-6]、EGG[7-8]。CNN框架可利用大的訓(xùn)練數(shù)據(jù)集提高分類性能，與許多傳統(tǒng)方法相比，不需采用人工方式，也不需顯式的特征提取、特征選擇和降維過程。

基于心電信號(hào)的心血管疾病診斷是醫(yī)學(xué)信息技術(shù)和人工智能領(lǐng)域的熱點(diǎn)問題。2017年，Hong等[9]提出了將專家特征與神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行心電分類的方法;Zhou等[10]提出了一種利用一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行AF檢測(cè)的方法;Pyakillya[11]等提出了一種一維卷積層和FCN層用于心律失常檢測(cè)的深度學(xué)習(xí)結(jié)構(gòu);2018年，Salem等[12]將每個(gè)數(shù)據(jù)實(shí)例都通過光譜圖轉(zhuǎn)換成圖像，圖像被輸入到一個(gè)預(yù)先訓(xùn)練好的DenseNet（一個(gè)161層的深度CNN）中，通過找到12個(gè)中間卷積層的輸出實(shí)現(xiàn)特征提取。

本文對(duì)ECG時(shí)變信號(hào)在測(cè)量區(qū)間段進(jìn)行識(shí)別分類，不進(jìn)行心拍識(shí)別，這大大減少了人工標(biāo)注成本。為進(jìn)一步提高分類精度，使用集成學(xué)習(xí)方法，可獲得比單一學(xué)習(xí)器顯著優(yōu)越的泛化性能[13]。為獲得好的集成，個(gè)體學(xué)習(xí)器應(yīng) “好而不同”，即個(gè)體學(xué)習(xí)器不能太壞，要有一定準(zhǔn)確性，并且要有多樣性，即學(xué)習(xí)器之間具有差異性[13]。因此，本文采用CNN作為心電信號(hào)識(shí)別個(gè)體學(xué)習(xí)器。由于數(shù)據(jù)集差異對(duì)CNN的分類能力有重要影響，本文利用不同數(shù)據(jù)子集訓(xùn)練出不同的個(gè)體學(xué)習(xí)器，盡可能充分利用信息。首先，通過截取和抽析方法對(duì)數(shù)據(jù)預(yù)加工，再采用低通濾波進(jìn)行降噪處理，將12導(dǎo)聯(lián)信號(hào)構(gòu)成二維結(jié)構(gòu)樣本;然后，本文進(jìn)行數(shù)據(jù)樣本擾動(dòng)，在訓(xùn)練集中隨機(jī)抽取7份子訓(xùn)練集，再利用不同的數(shù)據(jù)子集訓(xùn)練出不同的個(gè)體學(xué)習(xí)器，通過投票法和隨機(jī)森林分類器建立集成模型。實(shí)驗(yàn)結(jié)果表明，該方法有利于提升ECG信號(hào)分類效果。

1 卷積神經(jīng)網(wǎng)絡(luò)與隨機(jī)森林

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)[14]（Convolutional Neural Network， CNN）作為一種經(jīng)典的深度學(xué)習(xí)方法，在分類識(shí)別領(lǐng)域中發(fā)揮著重要作用。本文重點(diǎn)之一是設(shè)計(jì)合理有效的CNN結(jié)構(gòu)以獲得較好的ECG信號(hào)識(shí)別精度。

1.1.1 卷積層

卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心，其主要作用是對(duì)輸入數(shù)據(jù)進(jìn)行特征提取。計(jì)算式為：

[xlj=fi∈Mjxl-1i×wlij+blj]? （1）

其中，[xlj]表示第[l]層特征圖第[j]個(gè)特征;[Mj]為選取的輸入特征圖;[xl-1i]表示第[l-1]層特征圖第[i]個(gè)特征;[wlij]表示第[l]層的第[j]個(gè)特征與[l-1]層的第[i]個(gè)特征的連接權(quán)值;[blj]為相對(duì)應(yīng)的偏置參數(shù);[f（？）]為激勵(lì)函數(shù)。

1.1.2 池化層

池化層也稱子抽樣，它通常根據(jù)特定因素對(duì)輸入特征映射進(jìn)行子抽樣，目的是降低輸入時(shí)間序列的分辨率，使其對(duì)以前學(xué)習(xí)特性的小變化具有魯棒性。目前常用的池化方法包括最大池化（Maximum Pooling）與平均池化（Average Pooling）。

1.1.3 全連接層

全連接層也稱內(nèi)積層，在整個(gè)卷積神經(jīng)網(wǎng)絡(luò)中起到對(duì)提取的特征進(jìn)行歸類的作用。計(jì)算式如下：

[δlj=f（i=1nxl-1i×klji+blj）] （2）

其中，[l]表示全連接層;[n]為相鄰層的神經(jīng)元個(gè)數(shù);[klji]表示該層神經(jīng)元[j]與相鄰神經(jīng)元[i]的權(quán)重;[blj]表示該層的偏置;[f（？）]表示對(duì)應(yīng)的激活函數(shù)。

1.1.4 Softmax分類器

對(duì)于CNN的輸出向量，常用Softmax函數(shù)進(jìn)行歸一化，映射為概率值，該函數(shù)式為：

[zi=softmax（oi）=exp（oi）cexp（oc）] （3）

其中，[oi]是對(duì)應(yīng)于第[i]個(gè)類別的輸出神經(jīng)元的值。

1.2 隨機(jī)森林

隨機(jī)森林[15]（Random Forest，RF）可以視為Bagging算法的一種擴(kuò)展方法，對(duì)異常值和噪聲具有很強(qiáng)的容忍能力，且不易過擬合，識(shí)別精度高，其基學(xué)習(xí)器是決策樹。相比普通決策樹，隨機(jī)森林中的決策樹不僅增加了樣本擾動(dòng)，還增加了屬性擾動(dòng)，使得個(gè)體學(xué)習(xí)器的差異進(jìn)一步增大，有助于提升集成后的效果。本文采用CART（Classification And Regression Tree）算法生成決策樹，而節(jié)點(diǎn)處最優(yōu)特征的選擇以及該特征的最優(yōu)二值切分點(diǎn)以基尼指數(shù)為指標(biāo)進(jìn)行選擇[16-17]。

CART決策樹使用基尼指數(shù)選擇屬性，使用基尼值衡量數(shù)據(jù)集D的純度。

[Gini（D）=k=1yk'≠kpkpk'=1-k=1yp2k] （4）

直觀而言，[Gini（D）]反映了從數(shù)據(jù)集D中隨機(jī)抽取兩個(gè)樣本，其類別標(biāo)簽不一樣的概率。因此，[Gini（D）]越小，則數(shù)據(jù)集D的純度越高。

屬性a的基尼指數(shù)定義為：

[Gini_index（D，a）=v=1VDvDGini（Dv）] （5）

因此，在候選屬性特征集合A中，選擇那個(gè)使得劃分后基尼指數(shù)最小的屬性作為要選擇的最優(yōu)劃分屬性，即：

[a？=argmina∈A Gini_index（D，a）] （6）

2 集成卷積神經(jīng)網(wǎng)絡(luò)

2.1 數(shù)據(jù)集與CNN結(jié)構(gòu)設(shè)計(jì)

數(shù)據(jù)樣本分布對(duì)CNN的網(wǎng)絡(luò)分類結(jié)果有重要影響，為使模型具有較大的差異化即多樣性大的基學(xué)習(xí)器，且充分利用信息，首先將數(shù)據(jù)集按3∶1分為訓(xùn)練集和測(cè)試集，然后在訓(xùn)練集中隨機(jī)抽取其3/4的樣本數(shù)，抽取k次，共獲得k個(gè)子訓(xùn)練數(shù)據(jù)集，對(duì)應(yīng)k個(gè)CNN分類器，分別為 CNN1～ CNNk。為了保證所有訓(xùn)練集數(shù)據(jù)都有機(jī)會(huì)參與訓(xùn)練，在前兩次抽取過程中對(duì)樣本重復(fù)次數(shù)進(jìn)行了控制，使得前兩個(gè)模型中不重復(fù)的樣本數(shù)覆蓋了訓(xùn)練集。

在k個(gè)CNN模型中，池化層方法選擇平均池化，并在網(wǎng)絡(luò)最后添加Softmax分類器，節(jié)點(diǎn)數(shù)設(shè)定為3。設(shè)定卷積核步長(zhǎng)在各方向均為1，邊界處理采取不補(bǔ)零措施，激活函數(shù)選用修正線性單元（Relu），池化方法選擇平均池化，網(wǎng)絡(luò)損失函數(shù)采用交叉熵[18]（Cross-entropy），模型訓(xùn)練算法采用自適應(yīng)動(dòng)量估計(jì)（Adam）[19]。

CNN基學(xué)習(xí)器的信息處理流程和結(jié)構(gòu)參數(shù)如圖1所示。首先將提取的ECG信號(hào)二維結(jié)構(gòu)樣本作為網(wǎng)絡(luò)輸入，然后進(jìn)行五層卷積池化操作，提取和降維樣本抽象特征，之后經(jīng)過三層全連接層變換至3個(gè)輸出點(diǎn)，通過連接Softmax分類器獲得最終結(jié)果。

圖1 卷積神經(jīng)網(wǎng)絡(luò)信息流程結(jié)構(gòu)

圖1中每個(gè)階段由3個(gè)級(jí)聯(lián)層組成：卷積層、激活層和池化層。根據(jù)模板C1（Size）-S1-C2（Size）-S2-C3（Size）-S3-C4（Size）-S4-C5（Size）-S5-H1-H2-O，C1到C5分別是第一階段到第五階段的過濾器數(shù)量，Size表示卷積核的大小，S1和S2是子抽樣因子，H1、H2和O表示全連接層和輸出層中的單元數(shù)。

本文設(shè)計(jì)的CNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)為：32（5）-4-64（5）-4-64（5）-4-128（5）-4-128（5）-4-2000-256-3。這里的卷積核均為一維卷積。

2.2 集成策略

采用集成學(xué)習(xí)方法，可獲得比單一學(xué)習(xí)器顯著優(yōu)越的泛化性能[13]。集成學(xué)習(xí)需要各基分類器之間存在一定的差異性，從而能夠克服單個(gè)模型易陷入過擬合的缺陷。

本文在k個(gè)CNN基分類的基礎(chǔ)上，通過投票法和學(xué)習(xí)法的集成策略，得到最終分類結(jié)果。[subset1～subsetk]為子訓(xùn)練集，[CNN1～CNNk]為基學(xué)習(xí)器，[feature={x1，x2，？]，[xm}]為Softmax概率輸出融合的新特征向量。

（1）投票法。根據(jù)基分類器的分類結(jié)果，按照“少數(shù)服從多數(shù)”的策略，提取出現(xiàn)最多的類別為最終分類標(biāo)簽。主要步驟如下：

Step1：采用K個(gè)子訓(xùn)練集訓(xùn)練出K個(gè)CNN學(xué)習(xí)器，訓(xùn)練完成后固化模型參數(shù);

Step2：使用K個(gè)CNN固化模型并列提取測(cè)試集的輸出結(jié)果標(biāo)簽;

Step3：按照“少數(shù)服從多數(shù)”的策略，提取出現(xiàn)最多的類別為最終分類標(biāo)簽。

（2） 學(xué)習(xí)法。即通過另一個(gè)學(xué)習(xí)器加以結(jié)合，框架如圖2所示。學(xué)習(xí)法的主要步驟如下：

Step1：采用K個(gè)子訓(xùn)練集訓(xùn)練出K個(gè)CNN學(xué)習(xí)器，訓(xùn)練完后固化模型參數(shù);

Step2：使用K個(gè)CNN固化模型并列提取訓(xùn)練集數(shù)據(jù)的Softmax概率輸出結(jié)果作為特征向量;

Step3：融合提取的特征向量作為新特征向量，組成新的特征集;

Step4：將新的特征集送入隨機(jī)森林分類器，訓(xùn)練隨機(jī)森林分類器;

Step5：測(cè)試集重復(fù)Step2和Step3，然后送入訓(xùn)練好的隨機(jī)森林分類器進(jìn)行測(cè)試。

3 在ECG信號(hào)分類中的應(yīng)用

3.1 ECG數(shù)據(jù)準(zhǔn)備和預(yù)處理

本實(shí)驗(yàn)所用數(shù)據(jù)集來自中國(guó)心血管病數(shù)據(jù)庫(kù)[20]（the Chinese Cardiovascular Disease Database，CCDD）數(shù)據(jù)庫(kù)中12導(dǎo)聯(lián)的ECG信號(hào)樣本，采樣頻率為500Hz，每條記錄時(shí)間為10s左右，標(biāo)注了專家對(duì)疾病的診斷結(jié)果。疾病名稱和樣本數(shù)如表1所示。

表1 實(shí)驗(yàn)樣本數(shù)據(jù)分布

在數(shù)據(jù)處理中，由于人體的生理機(jī)能、疾病類型不同，使得相同ECG采樣時(shí)間內(nèi)包含的采樣點(diǎn)數(shù)也不完全相同。為便于計(jì)算，本文統(tǒng)一選擇截取4 500個(gè)點(diǎn)，再使用抽析的處理方法使每個(gè)導(dǎo)聯(lián)統(tǒng)一成長(zhǎng)度為2 250維的向量。處理完后，每副心電圖轉(zhuǎn)換為一個(gè)12*2 250的二維矩陣，將其作為一個(gè)樣本。

為了去除噪聲對(duì)實(shí)驗(yàn)結(jié)果的影響，在對(duì)數(shù)據(jù)截取之前，使用了MATLAB工具箱自帶的巴特沃斯濾波器（Butterworth）對(duì)數(shù)據(jù)進(jìn)行了低通濾波處理。截止頻率Wn為0.08，濾波器的階數(shù)N為4。

3.2 實(shí)驗(yàn)環(huán)境配置

實(shí)驗(yàn)數(shù)據(jù)處理環(huán)境為：MATLAB R2016b win64，Windows 7旗艦版系統(tǒng)，硬件配置Intel（R） Core（TM） i7-3770 CPU、主頻3.40GHz、內(nèi)存8GB。

算法運(yùn)行云平臺(tái)環(huán)境：Python3.6.4|Anaconda+tensorflow1.5.1，16.04.1-Ubuntu SMP，硬件配置CPU8核、內(nèi)存32G、NVIDIA TITAN？X GPU一塊。

3.3 實(shí)驗(yàn)參數(shù)設(shè)置

本文隨機(jī)抽取樣本次數(shù)k為7，構(gòu)建7個(gè)CNN學(xué)習(xí)器。訓(xùn)練Bachsize中的訓(xùn)練數(shù)據(jù)樣本數(shù)為256個(gè)，初始學(xué)習(xí)率設(shè)置為0.01。學(xué)習(xí)率采用了更靈活的學(xué)習(xí)率設(shè)置方法——指數(shù)衰減法。衰減系數(shù)是0.95，衰減速度是30輪一次。本文針對(duì)激活函數(shù)使用Relu函數(shù)，在其前面都添加了BN（Batch Normalization），并在全連接層后添加了Dropout方法。隨機(jī)森林選擇基學(xué)習(xí)器個(gè)數(shù)為200。

3.4 實(shí)驗(yàn)結(jié)果與分析

子模型和集成模型的識(shí)別率如表2和表3所示。

集成模型策略2，CNNRF在測(cè)試集中每類Precision、Recall、F1-score上的表現(xiàn)如表4所示。

表2 子模型識(shí)別率

表3 集成子模型與集成模型識(shí)別率

表4 CNNRF在各指標(biāo)上的表現(xiàn)

[標(biāo)簽＼&Precision＼&Sensitivity/Recall＼&F1-score＼&0＼&0.96＼&0.96＼&0.96＼&1＼&0.96＼&0.97＼&0.96＼&2＼&0.91＼&0.90＼&0.90＼&]

與其它方法相比，結(jié)果如表5所示。

表5 與其它方法相比結(jié)果

各子模型CNN1～CNN7的準(zhǔn)確率均低于集成模型CNNRF;CNNRF相比于CNNS（訓(xùn)練集）模型的準(zhǔn)確率提高了1.09%，并且略優(yōu)于CNN（投票法）。Reference[10，12]在2導(dǎo)聯(lián)的ECG信號(hào)分類上的識(shí)別率達(dá)到了較高的識(shí)別水平，Reference[12]中對(duì)心房顫動(dòng)的識(shí)別精度為94.76%，本文識(shí)別精度為96%，Reference[9，11]的準(zhǔn)確率明顯低于本文結(jié)果。相比而言，本文采用CCDD數(shù)據(jù)庫(kù)中的12導(dǎo)聯(lián)ECG信號(hào)更加復(fù)雜，在測(cè)量區(qū)間段，三分類準(zhǔn)確率達(dá)94.60%，能夠滿足ECG信號(hào)識(shí)別研究需要。

4 結(jié)語

本文提出了一種基于集成卷積神經(jīng)網(wǎng)絡(luò)的心電信號(hào)識(shí)別方法，利用CNN可以自動(dòng)提取樣本抽象特征，避免了人工設(shè)計(jì)算法提取特征與降維等步驟，并設(shè)計(jì)了抽樣方案，借助集成學(xué)習(xí)優(yōu)勢(shì)，集成了7個(gè)不同樣本的基學(xué)習(xí)器，充分發(fā)揮了數(shù)據(jù)多樣性的優(yōu)勢(shì)，獲得了94.60%的分類準(zhǔn)確率。但同時(shí)，深度學(xué)習(xí)對(duì)樣本的數(shù)量要求較多，本文方法針對(duì)數(shù)據(jù)不均衡的數(shù)據(jù)集效果欠佳。針對(duì)這一不足，可以考慮使用生成式對(duì)抗網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)增強(qiáng)，這也是下一步研究的方向。

參考文獻(xiàn)：

[1] KODERA K，GENDRIN R，VILLEDARY C. Analysis of time-varying signals with small BT values[J]. IEEE Transactions on Acoustics， Speech and Signal Processing，1978，26（1）：64-76.

[2] BOUOUDEN S，CHADLI M，KARIMI HR. Control of uncertain highly nonlinear biological process based on Takagi-Sugeno fuzzy models[J]. Signal Process，2015，108：195-205.

[3] GAO J，MURPHEY Y L，ZHU H. Multivariate time series prediction of lane changing behavior using deep neural network[J]. Applied Intelligence，2018，48（10）：3523-3537.

[4] World Health Organization. 2017-2030全球病媒控制對(duì)策草案[Z]. 2017.

[5] KIRANYAZ S，INCE T，GABBOUJ M. Real-time patient-specific ECG classification by 1-D convolutional neural networks[J]. IEEE transactions on bio-medical engineering，2015，63（3）：664-675.

[6] 項(xiàng)延德. 基于卷積神經(jīng)網(wǎng)絡(luò)的心電信號(hào)檢測(cè)和分類研究[D]. 杭州：浙江大學(xué)，2018.

[7] 魏琛，陳蘭嵐，張傲. 基于集成卷積神經(jīng)網(wǎng)絡(luò)的腦電情感識(shí)別[J/OL]. 華東理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2018-07-05.http：//kns.cnki.net/KCMS/detail/31.1691.TQ.20180705.0940.001.html.

[8] 陳占剛. 基于深度神經(jīng)網(wǎng)絡(luò)的腦電情感識(shí)別研究[D]. 合肥：合肥工業(yè)大學(xué)，2018.

[9] HONG S，WU M，ZHOUY，et al. Encase： an ensemble classifier for ECG classification using expert features and deep neural networks[J]. Computing in cardiology （CinC），2017：1-4.

[10] ZHOU X， ZHU X，NAKAMURA K，et al. Atrial fibrillation detection using convolutional neural networks[C]. 2018 9th International Conference on Awareness Science and Technology （iCAST）， 2018.

[11] PYAKILLYA B，KAZACHENKO N，MIKHAILOVSKY N. Deep learning for ECG classification[J]. Journal of Physics： Conference Series，2017，913（1）：012004.

[12] SALEM M，TAHERI S，SHIUN-YUAN J. ECG arrhythmia classification using transfer learning from 2-Dimensional deep CNN features[C]. ？IEEE Biomedical Circuits and Systems （BioCAS），2018.

[13] 周志華. 機(jī)器學(xué)習(xí)[M]. 北京：清華大學(xué)出版社， 2016.

[14] LECUN Y L，BOTTOU L，BENGIO Y，et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE，1998，86（11）：2278-2324.

[15] BREIMAN L. Randam forests[J]. Machine Learning，2001，45（1）：5-32.

[16] TAISUKE S. A statistical learning method for logic programs with distribution semantics[C]. Logic Programming： The 12th International Conference，1995.

[17] 李航. 統(tǒng)計(jì)學(xué)習(xí)方法[M]. 北京：清華大學(xué)出版社，2012.

[18] BOER P T D，KROESE D P，MANNOR S，et al. A tutorial on the cross-entropy method[J]. Annals of Operations Research，2005，134（1）：19-67.

[19] DIEDERIK K，JIMMY B. Adam：a method for stochastic optimization[C]. Proceedings of the 3rd International Conference on Learning Representations （ICLR），2015.

[20] ZHANG J W，LIU X，DONG J. CCDD： An enhanced standard ECG database with its management and annotation tools[J]. International Journal of Artificial Intelligence Tools， 2012，21（5）：44-51.

（責(zé)任編輯：孫 娟）