摘要
我们提出了一种完全自动且快速的心电图（ECG）心律失常分类器，该分类器基于一种简单且受大脑启发的机器学习方法——回声状态网络（Echo State Networks）。该分类器对特征处理的需求较低，仅需单导联心电图数据即可运行。其训练与验证过程采用跨患者（inter-patient）策略。该方法与在线分类任务高度兼容，与近年来健康监测无线设备及可穿戴技术的进展相契合。通过采用集成学习（ensemble）组合策略，我们能够充分利用并行计算能力，实现分类器的高速训练。该心搏分类器在两个心电图数据库——MIT-BIH心律失常数据库（MIT-BIH AR）和美国心脏协会数据库（AHA）上进行了评估。在MIT-BIH AR数据库中，当使用II导联数据时，该方法对室性早搏的检测灵敏度达到92.7%，阳性预测值为86.1%；当使用V1导联时，灵敏度提升至95.7%，阳性预测值为75.1%。上述结果与当前最先进的全自动ECG分类器性能相当，甚至优于采用更复杂特征选择策略的其他ECG分类方法。