楊淑瑩 桂彬彬 陳勝勇

(天津理工大學計算機科學與工程學院 天津 300384)

(計算機視覺與系統(tǒng)教育部重點實驗室 天津 300384)

1 引言

影響人類生命健康的各種疾病中，心血管病是最主要的疾病之一，據(jù)國家心血管病中心報告，心血管病死亡率在各種疾病中居首位，占居民疾病死亡構(gòu)成的40%以上[1]。在心血管疾病的早期發(fā)作中，心律失常的癥狀已在臨床實踐和病理學研究中廣泛報道。心律失常的臨床診斷主要依靠心電圖(Electro Cardio Graph,ECG)。許多心臟結(jié)構(gòu)或電生理異常在ECG上都有對應(yīng)，對其進行識別可以幫助診斷心臟疾病。在獲得患者的ECG后，往往需要專業(yè)的心臟病醫(yī)生結(jié)合大量的專業(yè)知識和臨床經(jīng)驗才能做出合理的診斷，這需要投入相當大的人力和精力。隨著計算機科學的不斷發(fā)展，心律失常自動檢測任務(wù)已成為研究熱點，它為醫(yī)生提供了越來越有效和可靠的診斷依據(jù)，緩解了醫(yī)生的人力投入。

傳統(tǒng)上，ECG信號的自動檢測任務(wù)通常需要3個步驟，即信號預處理、特征提取和模式分類[2]。ECG信號通常是經(jīng)過專用的心電記錄儀獲取的，因此原始信號中混雜了各種無效信號和噪聲信號。ECG信號中主要的噪聲包括心肌噪聲、基線漂移、工頻干擾、信道噪聲和運動偽影[3,4]。針對 ECG信號比較典型的去噪方法包括低通濾波器、自適應(yīng)濾波器[5,6]。在最近的報道中，研究人員在去噪方法算法上做了新的研究，提出了如經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)、自適應(yīng)傅里葉分解和基于人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)的去噪方法[7–9]。

信號預處理之后就是提取ECG 的特征。ECG信號是一個關(guān)于時間的序列信號。通常一個心跳周期包括P波、QRS波和T波，這些波描述了一個心電周期的不同階段。ECG信號的形態(tài)學特征是其常見特征之一，如斜率、峰值、幅度、間隔。文獻[10]使用ECG信號的形態(tài)特征預先確定阻塞性睡眠呼吸暫停(Obstructive Sleep Apnea,OSA)程度。ECG的形態(tài)學特征可以使用Hermite變換、小波變換或離散余弦變化等算法得到[11,12]。此外諸如主成分分析、線性判別分析和獨立成分分析之類的特征選擇算法可從降低數(shù)據(jù)維度方面生成更高效、更緊湊的特征向量[13]。在新的研究中，Alquran等人[14]使用高階譜分析，計算ECG信號的雙譜和3階累積量得到2維圖像形式的特征信息，以便應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)進行分類。取得ECG的特征之后，便是根據(jù)具體的檢測識別任務(wù)設(shè)計分類器。在現(xiàn)有的研究中，學者主要采用機器學習領(lǐng)域中的分類算法，例如線性與2次判別、支持向量機(Support Vector Machines,SVM)、隨機森林、貝葉斯網(wǎng)絡(luò)和ANN[15]。具體來講，文獻[16]在ECG的 (RR)間隔和小波變換特征上采用線性判別分析算法對3類ECG信號進行檢測分類，并最終取得了93%的平均正確率。Nasiri等人[17]使用SVM和遺傳算法對從ECG信號提取的22維特征進行分類，并在4分類心律失常檢測中達到了93%的正確率。Casas等人[18]在心室早期收縮(Premature Ventricular Contraction,PVC)檢測任務(wù)中提出了一種使用貝葉斯分類算法的技術(shù)，在MIT-BIH數(shù)據(jù)庫的108,653個ECG分類搏動中進行訓練測試并取得了95%的F1得分。Kumar等人[19]提出采用隨機森林算法進行心律失常檢測，并在六分類任務(wù)上獲得了92.16%準確率的成績。

以上用于心電信號分類檢測的方法其分類結(jié)果完全依賴從心電信號中提取手動特征，特征的質(zhì)量對分類檢測的可靠性和性能有重大影響。而在機器學習算法中，通過ANN，可以做到無需信號預處理和專家知識對ECG進行分析，從而避免了對生物標志物先驗信息的需求，并且可以幫助發(fā)現(xiàn)新知識。在基于ANN的心律失常檢測研究中，Rajpurkar等人[20]研究了一種基于34層卷積神經(jīng)網(wǎng)絡(luò)的心律失常檢測算法，算法的測試結(jié)果在召回率(Recall)和準確性(Precision)方面均超過了心臟病專家的平均表現(xiàn)。Huang等人[2]提出一種基于快速壓縮殘差卷積神經(jīng)網(wǎng)絡(luò)(Fast Compression ResNet,FCResNet)的精確心律失常分類方法，該網(wǎng)絡(luò)結(jié)構(gòu)由快速下采樣殘差網(wǎng)絡(luò)、快速下采樣卷積網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)和分類網(wǎng)絡(luò)組成，將特征提取和分類進行整合。文獻[14]應(yīng)用AlexNet神經(jīng)網(wǎng)絡(luò)，將信號的雙譜圖作為其輸入，實驗中得到了91.3%的平均準確率。Mostayed等人[21]提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的算法，該網(wǎng)絡(luò)由兩個雙向的長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)層組成，以檢測12導聯(lián)ECG信號中的病理。Singh等人[22]則比較了循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)、門控循環(huán)單元(Gated Recurrent Unit,GRU)、LSTM3種循環(huán)神經(jīng)網(wǎng)絡(luò)在心律失常分類上的表現(xiàn)，分別得到了85.4%,82.5%和88.1%的準確率。

上述關(guān)于ANN對ECG信號進行分類檢測的應(yīng)用中，各種神經(jīng)網(wǎng)絡(luò)模型利用其在知識發(fā)現(xiàn)上的特點將特征提取和分類整合，減少了在算法設(shè)計中對專家知識和傳統(tǒng)特征提取算法的依賴?；谏疃壬窠?jīng)網(wǎng)絡(luò)的心律失常自動分類算法可以通過具有多個隱藏層的神經(jīng)網(wǎng)絡(luò)來學習ECG信號中的隱含特征。然而，現(xiàn)有的研究中基于深度神經(jīng)網(wǎng)絡(luò)的分類檢測算法仍然存在不足之處。

(1)為了滿足現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)模型的2維輸入數(shù)據(jù)要求，通常采用ECG的2維圖像特征，該處理方法會破壞原始數(shù)據(jù)的一些有用信息和增加數(shù)據(jù)冗余，這會對模型的識別能力產(chǎn)生不利影響。

(2)ECG數(shù)據(jù)是1維時間序列上的信號，因此1維卷積神經(jīng)網(wǎng)絡(luò)模型中的局部感知域是在時間維度上劃分，缺乏頻域上的信息。

(3)基于2維卷積的網(wǎng)絡(luò)參數(shù)太多，訓練模型的時間成本很大，在進行推理時實時性能較差。

鑒于現(xiàn)有基于深度神經(jīng)網(wǎng)絡(luò)的心律失常自動分類算法的不足，本文提出一種使用小波分解和1D-GoogLeNet模型結(jié)構(gòu)的ECG心律失常分類檢測方法。從ECG信號中選擇5種心律類型，信號在經(jīng)過小波分解后得到不同頻帶的子信號，然后該結(jié)果用作1D-GoogLeNet的輸入，以便最終識別和檢測ECG心律失常類型。本文使用來自MIT-BIH心律失常數(shù)據(jù)庫的ECG記錄作為訓練和測試數(shù)據(jù)，分類結(jié)果表明，所提出的1D-GoogLeNet模型可以達到96.58%的平均準確度。

2 數(shù)據(jù)及數(shù)據(jù)預處理

2.1 ECG數(shù)據(jù)集

機器學習能夠在ECG分類任務(wù)上有大量的研究應(yīng)用，一個重要的原因在于研究人員能夠較容易地獲得各種公開的ECG數(shù)據(jù)集用于驗證他們提出的眾多方法。例如MIT-BIH心律失常數(shù)據(jù)集(MITBIH arrhythmia database)[23]，該數(shù)據(jù)集包含48個30 min時長的雙通道動態(tài)心電信號記錄，最初用于評估心律失常檢測器。其他的被廣泛采用的數(shù)據(jù)集還有Physionet’s Physiobank,INCART和 the American Heart Association database[24]。

本文選擇MIT-BIH心律失常數(shù)據(jù)集(下文將以MIT-BIH代替)作為驗證文中所提心律失常檢測算法的數(shù)據(jù)集。MI-BIH中的數(shù)據(jù)來自48個不同的被采集人員，每組都包含兩路不同導聯(lián)方式的ECG。本文選擇了樣本最多的MLⅡ型ECG信號，共計46組MLⅡ型數(shù)據(jù)。MIT-BIH中的數(shù)據(jù)都有詳細的標注，標注信息主要包含了15種心跳類型。本文實驗中檢測的心律類型包括左束支傳導阻滯(Left bundle branch block)、右束支傳導阻滯(Right bundle branch block)、心室早期收縮(Premature ventricular contraction)和心房過早收縮(Atrial premature contraction)4種心律失常類型及正常心跳(Normal beat)，總共5種心跳類型。根據(jù)MIT-BIH中的標注信息，本文分別采用L,R,V,A和N作為上述5種心跳類型的標識。表1列出了46組30分鐘時長的數(shù)據(jù)集中包L,R,V,A,N的統(tǒng)計結(jié)果。

表1 MI-BIH中L,R,V,A和N統(tǒng)計結(jié)果

2.2 數(shù)據(jù)預處理

ECG信號是一個1維時間序列，信息維度低，且原始數(shù)據(jù)中包含了不必要的高頻噪聲信息，為了增加數(shù)據(jù)維度和去噪，本文采用多分辨率小波變換對數(shù)據(jù)進行分解，既能得到各頻帶的子信號又增加了信號的維度，使后文提出的模型達到更好的心律失常檢測效果。

在小波分解中通過尺度函數(shù)φ(t)和小波函數(shù)ψ(t)基將原始信號分解為不同頻帶的子信號。一個長度為M的離散信號s(t)的小波近似系數(shù)a0(k)和小波細節(jié)系數(shù)dj(k)可以表示為

式(1)和式(2)中的j和k分別表示子信號在頻域上的伸縮和時域上的平移。然后根據(jù)近似系數(shù)和細節(jié)系數(shù)又可以重構(gòu)出原始信號

上述使用小波變換對信號進行多分辨率分析的過程，就是本文中對ECG信號進行分解，實現(xiàn)數(shù)據(jù)增維的基礎(chǔ)。使用小波分析對信號進行處理時，可供選擇的小波函數(shù)眾多且變換后得到的結(jié)果各不相同，因此需要根據(jù)分析的目的選擇合適的小波函數(shù)。本文選擇Daubechies小波函數(shù)族中的Db6作為實驗的小波函數(shù)。Daubechies小波函數(shù)族的形狀與ECG信號中的QRS波相似，并且它們的能譜集中在低頻附近[25]。圖1是實驗中MI-BIH的ECG信號經(jīng)過8級小波分解后的結(jié)果，包括原始信號s，第8級近似信號a8和1～8級細節(jié)信號d1～d8。

圖1 Db6 8級ECG信號的多分辨率分解

MI-BIH中的ECG信號時長為30 min，采樣頻率是360 Hz，而標注的方式則是將心跳類型標注到心電周期中的R波處。在本文中，經(jīng)過多分辨率小波分解后需進一步從每一個ECG序列中截取出L,R,V,A,N 5類標注所在的心電周期，組成實驗所需的數(shù)據(jù)集。在處理每一位被采集者的ECG信號時，因為心律各不相同，所以截取的一個完整心電周期的數(shù)據(jù)長度也各不相同，為了統(tǒng)一每一個數(shù)據(jù)樣本的長度，在本文中，采用線性插值將所有截取出的原始樣本縮放到360個數(shù)據(jù)的長度。同時為了減弱ECG信號中包含的人員信息對檢測結(jié)果的影響，對L,R,V,A,N 5種類型分別從總數(shù)據(jù)樣本中隨機抽取8000例、7000例、7000例、2500例和8000例，然后各類以4:1分為訓練集和測試集后再隨機排序。最終文中將數(shù)據(jù)集用數(shù)學符號表示為

其中，xi表 示長度為L的 心電信號，yi∈(1,2,...,C)，為xi對應(yīng)的心跳類別標簽編號，C為分類總數(shù)，N為數(shù)據(jù)集中樣本的總個數(shù)。

3 1D-GoogLeNet

GoogLeNet最開始由Christian Szegedy等人在ILSVRC 2014年提出，并且在分類挑戰(zhàn)賽(Classification Challenge)和目標檢測挑戰(zhàn)賽(Detection Challenge)中均取得頭籌[26]。近幾年人們對CNN的研究方向主要集中于改進網(wǎng)絡(luò)的深度、寬度和基數(shù)3個方面，以提升網(wǎng)絡(luò)的性能[27]。GoogLeNet的主要特點就是改進網(wǎng)絡(luò)的寬度使得網(wǎng)絡(luò)能提取更豐富的特征。在GoogLeNet的結(jié)構(gòu)中引入了名為Inception的模塊，通過該模塊增加卷積網(wǎng)絡(luò)在提取深層特征時的網(wǎng)絡(luò)寬度。該團隊在后續(xù)的工作中又對GoogLeNet進行了改進，依次提出了Inception V2,Inception V3,Inception V4與Inception-Res-Net-V2 4種改進網(wǎng)絡(luò)，從加速訓練、減少參數(shù)規(guī)模、防止梯度彌散這幾個方面進行了優(yōu)化[28–30]。

GoogLeNet最開始出現(xiàn)于計算機視覺領(lǐng)域，應(yīng)用于目標分類和識別等方向，由于圖像是一個2維數(shù)據(jù)，所以GoogLeNet的卷積模塊中各個卷積核都是2維卷積核。在本文中，待檢測的數(shù)據(jù)——ECG信號，是典型的1維時間序列。在本文的研究中，為了將Inception強大的特征提取能力應(yīng)用到心律失常檢測中，遂提出了1維GoogLeNet(1D-GoogLeNet)。在1D-GoogLeNet的結(jié)構(gòu)中依然以Inception為核心實現(xiàn)對網(wǎng)絡(luò)的拓寬，而卷積核則由原始的2維卷積核替換為1維卷積核。此外，在本文的研究中還對Inception的結(jié)構(gòu)做了優(yōu)化，使得網(wǎng)絡(luò)在心律失常檢測任務(wù)中有更優(yōu)的表現(xiàn)。詳細來講主要有以下幾點：首先，由于本文中最終的檢測類別只有5類，遠遠小于GoogLeNet設(shè)定的1000類分類結(jié)果，為了減小過擬合現(xiàn)象，本文在不改變特征提取層輸出大小的情況下減少了1D-GoogLeNet中學習參數(shù)的規(guī)模，主要通過重新調(diào)整每個Inception中卷積層的卷積核數(shù)量和網(wǎng)絡(luò)的深度；其次，在分類器模塊中，新增加了一層全連接以提高分類器的非線性；最后，精簡了只在多維卷積中才會出現(xiàn)的特異結(jié)構(gòu)，如在InceptionV3中用兩個前后相繼的1維卷積代替2維卷積。圖2、圖3給出了1D-GoogLeNet的網(wǎng)絡(luò)結(jié)構(gòu)示意圖。其中 “S”標志該神經(jīng)網(wǎng)絡(luò)模塊的stride=2，否則為1；括號內(nèi)的數(shù)字表示卷積核的大小，括號外的數(shù)字表示卷積核的數(shù)量。

圖2 1D-GoogLeNet中的Inception模塊

圖3(c)是1D-GoogLeNet的整體網(wǎng)絡(luò)結(jié)構(gòu)圖，左側(cè)為數(shù)據(jù)流向，右側(cè)為該節(jié)點數(shù)據(jù)輸出尺寸，數(shù)字c表示訓練數(shù)據(jù)的輸入通道。網(wǎng)絡(luò)主要由特征提取器和分類器組成。特征提取器由各個Inception和Stem構(gòu)成；分類器由兩層全連接和dropout組成，括號內(nèi)給出了該層所用的激活函數(shù)。

圖3 1D-GoogLeNet中的InceptionE,Stem模塊和整體網(wǎng)絡(luò)結(jié)構(gòu)圖

4 實驗

4.1 模型訓練

在實驗階段，用PyTorch1.5實現(xiàn)了本文所提1D-GoogLeNet，并在Nvidia GTX 1080 GPU上訓練該模型。訓練中將數(shù)據(jù)集D按照4:1劃分為訓練集和測試集，采用交叉熵作為網(wǎng)絡(luò)的損失函數(shù)，使用學習率為10–5的Adam優(yōu)化策略[31]，小批量(minibatch)大小為32，共訓練24輪。

4.2 實驗結(jié)果

在實驗結(jié)果評估上，本文采用精確率(Precision)、召回率(Recall)和F1-score來衡量1DGoogLeNet模型在各個類上的檢測性能。每一類的精確率、召回率和F1-score可以通過式(5)和式(6)得到

式(5)、式(6)和式(7)中P,R和 F1分別為精確率、召回率和F1-score；TP表示將正類樣本預測為正類的頻次，TN表示將負類樣本預測為負類的頻次，F(xiàn)P表 示將負類樣本預測為正類的頻次，F(xiàn)N表示將正類樣本預測為負類的頻次。對于本文心律失常檢測而言，是一個多分類任務(wù)，每一種心律型的TPi,FPi,FNi(i=1,2,...,5)具體表示的意義可以由圖4說明，圖為1D-GoogLeNet檢測心律失常得到的混淆矩陣。圖4中紅色邊框所圍的藍色區(qū)域表示左束支傳導阻滯(L)的 TP，紅色和橙色區(qū)域分別為其FN,FP，數(shù)值代表對應(yīng)的頻次，如(N,R)的值為1，意味著模型將測試集中的N類樣本預測為R類的頻次為1。

圖4 檢測結(jié)果的混淆矩陣

對于模型的整體性能，則采用訓練時耗(time)、準確率(Accuracy)以及每一種心律類型Pi,Ri,F 1i(i=1,2,...,5)的宏平均值(macro-average)PM,RM和F 1M作為度量標準，式(8)和式(9)是其具體的數(shù)學表達式

其中，n表示心跳類別數(shù)，在本文中n的具體數(shù)值為5。在實驗中，本文探討了由不同小波分解信號組合成的輸入數(shù)據(jù)對實驗結(jié)果的影響，此外還驗證了本文所提1D-GoogLeNet和已有的分類模型的性能差異，以展示基于小波分解和1D-GoogLeNet在心律失常檢測任務(wù)上的有效性。

首先確定了小波分解所得分量的各種組合方式：含有所有分量的D1={a8,b1-b8}、除去高頻細節(jié)分量與近似分量的D2={b2-b8}與D3={b3-b8}和只含有部分細節(jié)分量的D4={b2-b7}，以及原始數(shù)據(jù)D5={s}，各種組合方式的分量形成具有不同通道數(shù)的輸入數(shù)據(jù)。通過訓練測試，表2記錄了詳細的實驗結(jié)果，用粗體標注了各個度量標準的最大值。從表2數(shù)據(jù)可以明顯看出，分解得到的多通道數(shù)據(jù)在各類指標上都優(yōu)于原始數(shù)據(jù)。具體講，原始數(shù)據(jù)在關(guān)鍵指標Acc上取得了95.00%的成績，對應(yīng)的多通道分解數(shù)據(jù)中D4取得了96.58%的最高成績，比原始數(shù)據(jù)高出了1.58%，此外D4數(shù)據(jù)在召回率和F1-score指標上也取得了最優(yōu)表現(xiàn)。雖然D3數(shù)據(jù)在精確率上的表現(xiàn)最優(yōu)，但對于本文的心律失常檢測任務(wù)，召回率比精確率更具有參考意義。實驗還對比了其他數(shù)據(jù)預處理算法對實驗結(jié)果的影響，表3展示了離散傅里葉變換(Discrete Fourier Transform,DFT)、經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)和小波分解(Wavelet Decomposition,WD)對分類檢測結(jié)果的影響。從表3可以看出，經(jīng)過 DFT和EMD方法預處理的數(shù)據(jù)都能取得較好的檢測結(jié)果，但相較于小波分解后的數(shù)據(jù)，在檢測準確率上都有大約2%的差異。

表2 基于小波分解和1D-GoogLeNet的分類檢測結(jié)果(%)

表3 各預處理方法在心律失常檢測任務(wù)中的比較

通過上述實驗結(jié)果，驗證了當采用小波分解后的數(shù)據(jù)作為1D-GoogLeNet的輸入，模型取得了更優(yōu)異的表現(xiàn)。圖5給出了當D4數(shù)據(jù)作為輸入時，模型訓練的表現(xiàn)，圖6和表4記錄了其測試集的詳細結(jié)果，圖6中，主對角線的數(shù)值即為各類的召回率。在結(jié)果中A類型的心律檢測結(jié)果明顯劣于其他類型，導致該現(xiàn)象的主要原因來自數(shù)據(jù)不平衡——A類型的樣本明顯少于其他各類。

表4 D4數(shù)據(jù)作為1D-GoogLeNet的輸入，各類的測試結(jié)果(%)

圖5 D4數(shù)據(jù)作為輸入時1D-GoogLeNet的實驗結(jié)果

圖6 D4 數(shù)據(jù)測試集的混淆矩陣

其次，本文在輸入數(shù)據(jù)確定的情況下，對文中所提1D-GoogLeNet和簡單1維化的GoogLeNet兩者的性能做實驗比較。簡單1維化的GoogLeNet是指在保證GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)不變的情況下，將原始的2維卷積核替換為1維卷積核所得的網(wǎng)絡(luò)模型。同時還比較了相同輸入情況下不同分類檢測模型的檢測性能。主要比較了同為卷積神經(jīng)網(wǎng)絡(luò)的LeNet和能處理順序數(shù)據(jù)(sequential data)的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)。實驗結(jié)果如表5所示，表5列舉了各個模型以D4數(shù)據(jù)作為輸入時，在準確率、精確率、召回率、F1-score、訓練時耗和學習參數(shù)規(guī)模(params)上的結(jié)果。從表5所示的對比結(jié)果中可以看出，本文所提1D-GoogLeNet在準確率、精確率、召回率和F1-score度量標準上都優(yōu)于其他3種模型。其中在準確率(AccM)上1D-GoogLeNet比其他三者分別高出4.4%,2.6%,3.8%；訓練時長方面1D-GoogLeNet相較于簡單1維化GoogLeNet，得益于學習參數(shù)規(guī)模小，將時長減少了1/2以上，使訓練更快。

表5 1D-GoogLeNet與其他分類模型的實驗比較

5 結(jié)論

本文提出了一種使用Db6小波分解和1DGoogLeNet卷積神經(jīng)網(wǎng)絡(luò)的心電圖心律失常檢測方法。從MIT-BIH心律失常數(shù)據(jù)庫中選取了N,L,R,V,A 5種不同類型的ECG信號，共計 32500條記錄。在該方法中，首先使用Db6對ECG的時域信號進行8級分解，然后包含一個完整心電周期為準則對信號切割后再使用線性插值統(tǒng)一縮放到360個數(shù)值長度，組合成多通道的信號樣本，最后將5種心律失常類型的樣本用作1D-GoogLeNet的輸入，以確定ECG心律失常類型。經(jīng)過詳細實驗驗證，結(jié)果表明：分解后的多通道數(shù)據(jù)檢測效果優(yōu)于未分解的；不同小波分量組合方式之間，檢測結(jié)果有差異，當輸入數(shù)據(jù)由{d2-d7}組合時，所提出的1DGoogLeNet模型可以達到最高的96.58%平均準確率；1D-GoogLeNet和簡單1維化GoogLeNet相對比，結(jié)構(gòu)更簡單、參數(shù)更少的1D-GoogLeNet的準確率比后者提高了4.7%，訓練效率提高了118%。以上結(jié)論最終驗證了本文所提將多通道小波分量ECG信號樣本作為輸入的1D-GoogLeNet分類器可以在心律失常檢測任務(wù)上取得優(yōu)異表現(xiàn)。