Abstract
在心血管疾病的诊断中，心电信号的分析一直起到至关重要的作用。目前如何利用算法有效识别出信号中的异常心拍，仍然是心电信号分析领域中的难点。本文将深度残差网络与自注意力机制相结合，提出了一种能够自动识别出异常心拍的分类模型，该模型首先基于残差结构设计了18层卷积神经网络，用来充分提取信号中的局部特征，之后再结合双向门控循环单元，用于提高网络对于时序特征的挖掘能力，最后引入自注意力机制为提取到的每一个特征赋予区分化的权重，协助模型在训练的过程中更有效地关注重要特征，以此来获得较高的分类精度。本研究采用多种方式进行数据增强，缓解了由于数据不平衡问题对模型效果带来的影响。本研究实验数据来源于麻省理工学院与贝斯以色列医院（MIT-BIH）构建的心律失常数据库，最终结果表明，研究提出的模型在原始数据集上达到了98.33%的总体准确率，在优化后的数据集中达到了99.12%的总体准确率，证明了该模型在心电信号分类方面拥有良好的效果，具备应用到便携式心电检测设备的潜在价值。
Keywords: 心电信号分类, 残差网络, 双向门循环控制单元, 自注意力机制
Abstract
In the diagnosis of cardiovascular diseases, the analysis of electrocardiogram (ECG) signals has always played a crucial role. At present, how to effectively identify abnormal heart beats by algorithms is still a difficult task in the field of ECG signal analysis. Based on this, a classification model that automatically identifies abnormal heartbeats based on deep residual network (ResNet) and self-attention mechanism was proposed. Firstly, this paper designed an 18-layer convolutional neural network (CNN) based on the residual structure, which helped model fully extract the local features. Then, the bi-directional gated recurrent unit (BiGRU) was used to explore the temporal correlation for further obtaining the temporal features. Finally, the self-attention mechanism was built to weight important information and enhance model's ability to extract important features, which helped model achieve higher classification accuracy. In addition, in order to mitigate the interference on classification performance due to data imbalance, the study utilized multiple approaches for data augmentation. The experimental data in this study came from the arrhythmia database constructed by MIT and Beth Israel Hospital (MIT-BIH), and the final results showed that the proposed model achieved an overall accuracy of 98.33% on the original dataset and 99.12% on the optimized dataset, which demonstrated that the proposed model can achieve good performance in ECG signal classification, and possessed potential value for application to portable ECG detection devices.
Keywords: Electrocardiogram signals classification, Residual network, Bi-directional gated recurrent unit, Self-attention mechanism
0. 引言
心电图（electrocardiogram，ECG）包含了心脏活动中每一个心拍周期的电位变化，是衡量心脏健康状况的重要依据。精准、高效地识别出心电信号中的异常心率，对于人们预防和治疗心血管疾病具有重要意义[1]。通常情况下，医生通过分析心电图来实现心律失常的诊断，这个过程需要投入巨大的精力和时间，如今随着医疗数据的不断增长，利用计算机技术对临床数据进行统计和分析，已经成为提高诊断效率的有效手段。目前，一些基于特征工程的识别方法已经用于心电信号分类的研究中，比如：Wang等[2]提出一种基于主成分分析的特征简约方法，可用来对特征进行提取和分类。Li等[3]基于随机森林和小波包熵对心电信号进行分析，通过先对心电信号进行小波包分解，再将获取的数据利用随机森林算法实现分类。Pandey等[4]设计了一种基于支持向量机（support vector machine，SVM）的心拍识别算法，成功提取了包括形态学和R-R间期等在内的特征信号。这些方法依靠较高质量的特征工程可以取得一定成效，但是研究人员需要花费大量的时间来构建特征工程，人力成本较高。近年来，针对心电信号的自动分类问题，不少学者在深度学习的领域中展开了深入研究，利用深度学习方法主动从信号中学习有价值的特征，并挖掘出数据中潜在的深层信息，相关研究在信号分类方面体现出明显优势。其中，Sellami等[5]利用卷积神经网络（convolutional neural network，CNN）直接对未经过预处理的心电数据进行分类研究，克服了分类结果中精度不平衡的问题。Chen等[6]将CNN和长短期记忆网络（long short term memory，LSTM）相结合，采用了多输入的结构，用来自动识别包括正常窦性节律、心房颤动、心室二联律、起搏心律、心房扑动和窦性心动过缓在内的6种心拍片段。Gao等[7]为了进一步优化神经网络在处理时序信号中的效果，引入了注意力机制，并通过实验结果的对比分析，证明了注意力机制能够有效提高神经网络的分类性能。Yao等[8]在模型中引入了门控循环单元（gated recurrent unit，GRU），该模型由一个CNN层、6个局部特征提取模块、一个GRU层和一个归一化指数函数柔性最大（softmax）层组成，实验结果表明该模型在识别异常心拍方面具有良好表现。Zhou等[9]将神经网络与极限学习机（extreme learning machine，ELM）相结合，研究先利用两层CNN充分抽取信号中的局部特征，之后再导入到ELM分类器中进行信号分类，提升了传统神经网络在心电信号方面的识别精度。Li等[10]基于4个残差块设计了心电信号分类算法，并有效地完成了单导联心电信号的分类任务。Zhou等[11]利用对抗神经网络（generative adversarial nets，GANs）来扩充数据，通过结合真实的和生成的心电图耦合矩阵来训练模型，并在专家辅助诊断方面发挥出实际的作用。Che等[12]结合CNN和转换器（transformer）结构来提取心电信号中的时间信息，并通过在损失函数中引入了一个新的链接约束，增强了模型对于嵌入向量的分类能力。
在目前的临床诊断中，心电信号的分析大多还是先按照传统的方式抽取特征，之后再结合医师的分析给出大致的建议，难以实现高效的智能诊断。针对这类问题，本研究提出了一种融合了残差网络（residual network，ResNet）和自注意力机制[13]（self-attention）的心电信号分类模型。具体来说，本文工作主要有以下几个方面：①利用ResNet的方式构建深度卷积层，在充分提取局部特征的同时，该结构可以有效避免深层网络中出现的梯度退化现象。②结合self-attention与双向GRU（bi-direction GRU，BiGRU）构建自注意力BiGRU（self-attention BiGRU，ABiGRU）网络，提出ResNet-ABiGRU心电信号分类模型，利用BiGRU网络充分考虑信号中的时间相关性，提取信号中的全局特征，相较于常用的LSTM网络，GRU网络的结构更加简单，可以节省计算资源，同时加入的self-attention能够动态地为特征信号分配权重，增强模型对于重要特征的关注程度，从而提升分类效果。③在对实验结果的分析中，研究减少了数据不平衡因素对实验结果带来的影响，并将模型的分类结果与现有的研究成果进行比较，以期证明所提出的模型可行性良好，具备为嵌入式心电信号检测设备的发展提供算法支撑的潜在价值。
1. ResNet-ABiGRU网络模型构建
本研究提出的分类模型的结构如图1所示，该分类模型主要由ResNet层、BiGRU层、self-attention层和全连接层共同构成。从图1中可以看出，模型输入的心拍数据是以序列的形式，其中每个心拍的长度为330个采样点（|-330-|）。在ResNet层中，主要由模块a和模块b堆叠组成，模块a中信号的通道并未发生改变，可以直接拼接输出，在图1中用实线表示。模块b中的信号通道发生变化，需要进行支路下采样的操作，以此来保持模块间通道的一致，在图1中用虚线表示。模型共使用两层BiGRU结构，并将输出空间的维度逐步缩小，其分别设置为128和64，旨在提取时序特征的同时保证模型的有效收敛。在self-attention层中，通过将获得的特征信息转换成嵌入向量，并将其与权重矩阵进行点乘计算，以此来让模型得到不同特征信号的权重信息，从而实现对重要特征信息的重点学习。最后，通过全连接层将所有特征汇总展开，转换成一维的向量表示，并结合softmax函数实现最终的五类心拍的识别任务。
图 1.
ResNet-ABiGRU network structure
ResNet-ABiGRU网络模型结构
在ResNet中的所有模块中，研究在每一层CNN的后面加入批标准化（batch normalization，BN），且都使用线性整流函数（rectified linear unit，ReLU）作为激活函数。为了防止过拟合，实验在网络输入端的首个CNN层中使用最大池化(max pooling)，在残差连接的末尾处使用平均池化（average pooling），在整个网络的末尾处使用丢弃层（dropout）。同时为了保证能够有效收敛，研究在训练的过程中使用交叉熵损失函数，每次训练的批大小（batch_size）设为128，学习率设置为0.001，并选择适应性矩估计（adaptive moment estimation，Adam）作为网络优化器。
2. 数据预处理
本文使用的是由美国麻省理工学院与贝斯以色列医院（Massachusetts Institute of Technology and Beth Israel Hospital，MIT-BIH）构建的心律失常数据库[14]。心电信号在采集的过程中容易混入噪声，这会影响到数据的质量，因此在使用前需要进行降噪处理[15]。当前常见的几种降噪方式包括滤波器降噪、经验模态分解[16]和小波变换。其中滤波器降噪对高频噪声效果明显，但是容易造成波形失真；经验模态分解能够减小波形的失真，但是处理的结果往往带有波形混叠的现象；相比之下，小波变换不仅能够有效区分数据中的时域信号和频域信号，而且也具备良好的适应性[17]。本研究选用多贝西（Daubechies，db）小波基对信号进行降噪处理，利用信噪比（signal noise ratio，SNR）和均方误差(mean square error，MSE)来评估db小波在不同阶数下的降噪效果，实验结果如表1所示。
表 1. Noise reduction effect of db wavelet at different orders.
db小波在不同阶数下的降噪效果
| 评价指标 | db5 | db6 | db7 | db8 | db9 | db10 | db11 |
| SNR | 23.90 | 24.26 | 24.38 | 24.66 | 24.86 | 24.83 | 24.78 |
| MSE | 0.000 61 | 0.000 56 | 0.000 54 | 0.000 51 | 0.000 48 | 0.000 42 | 0.000 39 |
从SNR和MSE两个指标的结果可以看出，一开始随着小波基阶数的增大，降噪效果提升明显，但在db9小波基之后，降噪效果不再有提升，因此db9小波基取得了最佳的降噪效果。实验选择软阈值函数来对不同的噪声做量化处理，同时利用db9小波基将信号分解成五层，该过程能够有效去除心电信号中的高频噪声。心电信号在小波变换中的降噪效果如图2所示，分别表示包含噪声的原始心电信号和经过db9小波基处理的降噪后的心电信号，从对比结果可知，最终得到的信号不仅保留了原本的特征信息，曲线也变得更加平滑，体现了良好的降噪效果。
图 2.
Noise reduction effect of the wavelet transform
小波变换降噪效果
实验过程依据美国医疗仪器促进协会（The Association for the Advancement of Medical Instrumentation，AAMI）制定的心率失常分类标准[18]，将原始数据划分为正常搏动心拍（normal，N）、室上性早搏或异常（superaventricular，S）、室性逸搏（ventricular，V）、心室融合心跳（fusion，F）和未知心跳（unknown，Q）。研究利用数据库中已标注的R峰信息，对信号进行分割，每个心拍划分的长度为330个采样点，整个实验过程一共得到104 441个心拍。研究每次训练和评估模型时，都会在心拍总数不变的情况下，以7：3的比例随机划分出训练集和测试集，其中用于训练模型的心拍总数为73 109个，用于测试的心拍总数为31 332个，原始数据中各类心拍的分布情况如表2所示。
表 2. Number of different types of beats contained in the data.
数据集包含的各类心拍总数
| 心拍类别 | 总数/个 |
| N | 89 812 |
| S | 2 763 |
| V | 7 198 |
| F | 801 |
| Q | 3 867 |
3. 实验结果与分析
在医学分类的标准中，只有N类心拍表示为正常心拍，用阴性来表示，其余的异常心拍用阳性表示。因此在本次实验中N为阴性，S、V、F、Q均用阳性表示。本文以整体准确率（accuracy，Acc）、灵敏度（sensitivity，Sen）和特异性（specificity，Spe）来衡量模型的性能。各个指标的计算过程如式（1）~式（3）所示：
 |
1 |
 |
2 |
 |
3 |
其中，假阳性（false positive，FP）表示心拍的真实类别为阴性，被错误的分类为阳性的样本个数；真阳性（true positive，TP）表示心拍的真实类别为阳性，被正确分类成阳性的样本个数；真阴性（true negative, TN）表示心拍的真实类别为阴性，被正确分类成阴性的样本个数；假阴性（false negative, FN）表示心拍的真实类别为阳性，被错误的分类为阴性的样本个数。
整个研究过程使用的硬件设备为安徽医科大学提供的医学大数据超算中心服务器，所使用配置为：显卡（RTX3090TI，Nvidia，美国）；处理器（XeonGold 6240，Intel，美国）；编译集成环境Python IDE（pycharm 2019，捷克），模型每次的训练周期为150轮次，每次训练平均耗时约3 h。
由表2描述的心拍分布情况可知，相较于N类心拍，S、V、F、Q四类心拍的数量严重不足，为了避免对实验结果产生干扰，本次研究分别使用随机欠采样[19]、合成少数过采样[20]及自适应综合采样[21]对训练集进行平衡化处理，研究所提出的分类模型性能衡量的实验结果如表3所示。
表 3. Comparison of data optimization results.
数据优化结果对比
| 数据类型 | Acc | Sen | Spe |
| 原始数据 | 98.33% | 92.12% | 98.83% |
| 随机欠采样处理 | 91.01% | 94.44% | 97.99% |
| 合成少数过采样处理 | 99.12% | 95.53% | 99.36% |
| 自适应综合采样处理 | 99.06% | 93.66% | 99.25% |
从表3可以看出，经合成少数过采样与自适应综合采样处理后，其分类结果都具有良好表现，而随机欠采样反而影响了原本的模型性能，分类的Acc只有91.01%。究其原因，是因为随机欠采样会从多数类的数据中删除样本信息，这虽然有助于建立多数类数据与少数类数据之间的平衡，但可能会丢失数据集中有价值的信息[22]，影响了模型的学习能力。因此，随机欠采样并不适用于本研究中的数据平衡化处理。在合成少数过采样与自适应综合采样处理后的结果比较中，合成少数过采样在Acc、Sen和Spe这三个指标上均比自适应综合采样高，因此本研究选择合成少数过采样算法来对数据进行平衡化处理。模型在数据平衡前和数据平衡后的分类结果如图3所示，由混淆矩阵来表示，其中每类心拍详细的分类结果如表4所示。
图 3.
Confusion matrix for classification results
分类结果的混淆矩阵
表 4. Comparison performance results.
分类性能对比
| 心拍类型 | 平衡前 | 平衡后 | |||||
| Acc | Sen | Spe | Acc | Sen | Spe | ||
| N | 98.99% | 99.62% | 95.18% | 99.25% | 99.57% | 97.30% | |
| S | 98.89% | 86.80% | 99.22% | 99.64% | 91.48% | 99.87% | |
| V | 99.07% | 87.73% | 99.93% | 99.73% | 97.34% | 99.90% | |
| F | 99.75% | 87.03% | 99.85% | 99.71% | 89.79% | 99.72% | |
| Q | 99.97% | 99.40% | 99.99% | 99.97% | 99.48% | 99.99% | |
| 平均值 | 99.33% | 92.12% | 98.83% | 99.66% | 95.53% | 99.36% | |
| 整体Acc | 98.33% | 99.12% | |||||
从表4可以看出，在选择合成少数过采样的方式处理数据之后，模型在平均Sen、平均Acc和平均Spe上的性能均有提升，并且模型整体的Acc也有提升，这表明更大的数据集有利于模型学习到更多的信息，也体现了实验过程中对数据集进行平衡化处理的必要性。从数据增强后的结果来看，模型的分类Acc平均达到99.66%，其中Acc最高的为Q类心拍，达到99.97%；模型的分类Sen平均达到95.53%，其中N类心拍的Sen最高，为99.57%；模型的Spe平均达到99.36%，Q类心拍在所有心拍中的分类Spe最高，为99.99%。值得注意的是，即使是在原始的数据集上，模型仍然能够达到98.33%的整体Acc。模型在训练集和测试集中的Acc与损失值（Loss）的收敛过程如图4所示，可以看到训练集上的曲线趋于平稳，测试集上的曲线在一个很小的区间里震荡，并没有出现严重的过拟合现象，模型的整体性能表现良好。
图 4.
Convergence process of Acc and Loss
准确度和损失值的收敛过程
本文也对模型进行了消融比对，其他所对比的模型组合分别为：由ResNet和self-attention组成的分类模型（ResNet-Attention）、由ResNet和BiGRU组成的分类模型（ResNet-BiGRU）以及由BiGRU和self-attention组成的分类模型（BiGRU-Attention），不同组合的模型在测试集中的表现如图5所示。从图5中可知，在训练的初始阶段，四种模型均出现不同程度的震荡，其中BiGRU-Attention模型的震荡最为剧烈且初始准确率最低，这是因为模型在初始阶段未能有效挖掘出信号中的深层特征，在特征抽取不足的情况下影响了网络的学习能力。在ResNet-Attention模型中，由于引入了残差结构，深层次的CNN提高了模型提取特征的能力，因此准确度有了明显的提升。从图5中四种曲线的走势中可以看出，本研究所提出的模型在测试集中取得了最好的分类效果，并且对比ResNet-BiGRU模型可以发现，注意力机制的加入能够帮助模型更容易实现并行化计算，在提高分类准确度的同时加速模型的收敛。
图 5.
Model ablation experiments
模型消融实验
为了进一步体现本文模型（ResNet-ABiGRU）对于各类心拍的分类效果，本文利用受试者工作特征曲线（receiver operating characteristic，ROC）和曲线下面积（area under the curve，AUC）来展示模型的分类效果。ROC在图中以直观的曲线分布表示出来，AUC在图中则以曲线下面积占比来表示（即区域总面积为1，区域值越高，表明取得的分类效果越好），同时利用宏平均和微平均来综合衡量模型的分类效果，模型在结果中的ROC-AUC曲线如图6所示，计算的结果在图6中一并展出。从整体上来看，在微平均和宏平均上达到了0.99，各类心拍的ROC曲线分布基本一致，表明模型对于不同心拍均能够达到有效识别的效果。从单个心拍识别的角度来看，Q类心拍和V类心拍的AUC值达到了1，而F类心拍的AUC值只有0.98，这是由于合成少数过采样算法虽然有效缓解了F类心拍不足的情况，但是生成的部分数据也可能会存在样本重叠的问题，导致特征的区分度不够明显，这在一定程度上影响了数据质量，进而导致模型在不同心拍的识别任务中存在较小的误差。
图 6.
ROC-AUC curve
ROC-AUC曲线
本文也将研究中的模型与目前现有的方法中的模型进行对比，为了保证研究的可比较性，所对比的方法均使用MIT-BIH心律失常数据库作为实验的数据来源。研究与各类方法的对比结果如表5所示。
表 5. Comparison with existing methods.
与现有方法的对比
通过对比结果可以看出，上述几种方法在Acc、Sen和Spe这三个指标上的表现均与本文所提出的分类方法存在一定的差距，这也进一步证明本文提出的模型在心电信号分类任务中具有一定的先进性，存在应用到移动心电检测设备[23]中的潜在价值。
4. 结束语
对于如何有效识别出心电信号中的异常心拍，本文提出了ResNet-ABiGRU心电信号分类模型，并论证了模型在心拍识别方面的有效性。由于整个研究是在公共数据集上得到的实验结果，因此模型的泛化性还需要进一步的测试，研究的下一步工作主要有以下几点：① 与校医附院的相关科室进行对接，在医院实时采集心电数据，并通过专家的指导构建可靠的医疗数据集，利用更大规模的数据集来提高模型的学习能力。② 针对心电信号的标注问题，由于人工标注会为团队带来庞大的工作量，因此会在之后的研究中尝试利用无监督学习的算法思想，直接对未标注的原始数据进行训练，以此来提高对于医疗数据的利用率。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：袁成成主要负责数据处理、模型搭建和论文撰写。刘自结负责调研监督实验流程、数据记录和分析。王常青负责图表绘制和算法设计。杨飞负责提供实验指导和论文审阅修订。
Funding Statement
国家自然科学基金青年项目（62001005）；安徽省自然科学基金面上项目（2108085MH303）
Youth Program of National Natural Science Foundation of China; General Program of Anhui Provincial Natural Science Foundation
References
- 1.胡盛寿 中国心血管健康与疾病报告2021概要. 中国循环杂志. 2022;37(6):553–578. doi: 10.3969/j.issn.1000-3614.2022.06.001. [DOI] [Google Scholar]
- 2.Wang J S,Chiang W C,Hsu Y L,et al ECG arrhythmia classification using a probabilistic neural network with a feature reduction method. Neurocomputing. 2013;116(10):38–45. [Google Scholar]
- 3.Li T Y,Zhou M ECG classification using wavelet packet entropy and random forests. Entropy. 2016;18(8):285–294. doi: 10.3390/e18080285. [DOI] [Google Scholar]
- 4.Pandey S K,Janghel R R,Vani V Patient specific machine learning models for ECG signal classification. Procedia Computer Science. 2020;167:2181–2190. doi: 10.1016/j.procs.2020.03.269. [DOI] [Google Scholar]
- 5.Sellami A,Hwang H A robust deep convolutional neural network with batch weighted loss for heartbeat classification. Expert Syst Appl. 2019;122:75–84. doi: 10.1016/j.eswa.2018.12.037. [DOI] [Google Scholar]
- 6.Chen C,Hua Z,Zhang R,et al Automated arrhythmia classification based on a combination network of CNN and LSTM. Biomed Signal Proces Control. 2020;57:101819. doi: 10.1016/j.bspc.2019.101819. [DOI] [Google Scholar]
- 7.Gao Yibo,Wang Huan,Liu Zuhao. A novel approach for atrial fibrillation signal identification based on temporal attention mechanism// 2020 42nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society(EMBC). IEEE,2020: 316-319.
- 8.Yao G,Mao X,Li N,et al Interpretation of electrocardiogram heartbeat by CNN and GRU. Comput Math Method Med. 2021;2021:6534942. doi: 10.1155/2021/6534942. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 9.Zhou S R,Tan B Electrocardiogram soft computing using hybrid deep learning CNN-ELM. Appl Soft Comput. 2019;86:105778. [Google Scholar]
- 10.Li Z,Zhou D,Wan L,et al Heartbeat classification using deep residual convolutional neural network from 2-lead electrocardiogram. J Electrocardiol. 2020;58:105–112. doi: 10.1016/j.jelectrocard.2019.11.046. [DOI] [PubMed] [Google Scholar]
- 11.Zhou Z, Zhai X, Tin C Fully automatic electrocardiogram classification system based on generative adversarial network with auxiliary classifier. Expert Syst Appl. 2021;174:114809. doi: 10.1016/j.eswa.2021.114809. [DOI] [Google Scholar]
- 12.Che C, Zhang P, Zhu M, et al Constrained transformer network for ECG signal processing and arrhythmia classification. BMC Med Inform Decis Mak. 2021;21(1):184. doi: 10.1186/s12911-021-01546-2. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 13.Vaswani A,Shazeer N,Parmar N,et al. Attention is all you need//31st Conference on Neural Information Processing Systems, New York: Curran Associates, 2017, 55: 5998-6008.
- 14.Wang H,Shi H,Lin K,et al A high-precision arrhythmia classification method based on dual fully connected neural network. Biomed Signal Process Control. 2020;58:101874. doi: 10.1016/j.bspc.2020.101874. [DOI] [Google Scholar]
- 15.Kumar A,Tomar H,Mehla V K,et al Stationary wavelet transform based ECG signal denoising method. ISA Trans. 2021;114:251–262. doi: 10.1016/j.isatra.2020.12.029. [DOI] [PubMed] [Google Scholar]
- 16.Han G,Lin B,Xu Z Electrocardiogram signal denoising based on empirical mode decomposition technique: an overview. J Instrum. 2017;12(3):3010–3029. [Google Scholar]
- 17.Singh P, Pradhan G Variational mode decomposition based ECG denoising using non-local means and wavelet domain filtering. Australas Phys Eng Sci Med. 2018;41(4):891–904. doi: 10.1007/s13246-018-0685-0. [DOI] [PubMed] [Google Scholar]
- 18.Moody G B,Mark R G The impact of the MIT-BIH arrhythmia database. IEEE Eng Med Biol Mag. 2001;20(3):45–50. doi: 10.1109/51.932724. [DOI] [PubMed] [Google Scholar]
- 19.Hulse J V, Khoshgoftaar T M, Napolitano A An empirical evaluation of repetitive undersampling techniques. Int J Softw Eng Knowl Eng. 2012;20(2):173–195. [Google Scholar]
- 20.Chawla N V, Bowyer K W, Hall L O, et al. SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, 2002: 321-357.
- 21.He Haibo, Bai Yang, Garcia E A, et al. ADASYN: adaptive synthetic sampling approach for imbalanced learning//2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence), HongKong: IEEE, 2008: 1322-1328.
- 22.Oksuz K, Cam B C, Kalkan S, et al Imbalance problems in object detection: a review. IEEE Trans Pattern Anal Mach Intell. 2021;43(10):3388–3415. doi: 10.1109/TPAMI.2020.2981890. [DOI] [PubMed] [Google Scholar]
- 23.Jhang Y S, Wang S T, Sheu M H, et al Integration design of portable ECG signal acquisition with deep-learning based electrode motion artifact removal on an embedded system. IEEE Access. 2022;10:57555–57564. doi: 10.1109/ACCESS.2022.3178847. [DOI] [Google Scholar]