患者間および患者内的心電図ハートビート分類による不整脈検出：シーケンス・ツー・シーケンスの深層学習アプローチ

心電図（ECG）信号は、心臓機能の研究と複数の不整脈の診断に一般的かつ強力なツールです。心臓不整脈の分類手法には著しい進歩が見られますが、異なる心疾患を検出する際、特に非平衡データセットを扱う場合、依然として十分な性能を提供できていません。本論文では、深層畳み込みニューラルネットワークとシーケンス・トゥ・シーケンスモデルを使用した自動的心拍分類手法を開発することで、現行の分類アプローチにおけるこの制限に対処する解決策を提案します。提案手法はMIT-BIH不整脈データベース上で評価され、患者内パラダイムと患者間パラダイム、ならびにAAMI EC57標準に基づいて検討されました。両パラダイムの評価結果は、文献で報告されている最高の性能を達成しています（患者内パラダイムではSカテゴリーで陽性予測値96.46%および感度100%、Fカテゴリーで陽性予測値98.68%および感度97.40%；患者間パラダイムではSカテゴリーで陽性予測値92.57%および感度88.94%、Vカテゴリーで陽性予測値99.50%および感度99.94%）。ソースコードはhttps://github.com/SajadMo/ECG-Heartbeat-Classification-seq2seq-model から入手可能です。