The ECG signal is such a substantial means to reflect all the electrical activities of the cardiac system. Therefore, it is considered by the physician as the essential tools and materials to diagnose and treat heart diseases. To deal with different types of arrhythmia, the physician manually inspects the ECG heartbeat. Since there are tiny alternations in the amplitude, durations and therefore the morphology, the computer-based systems were needed to develop such solutions in order to help the physician to do their job. In this study, a novel tactic to automatically classify ten different arrhythmia types was developed depending on the deep learning theory. Consequently, the well-known convolutional neural network (CNN) approach was adopted to classify those different types of arrhythmia. The structure of the proposed model consists of 11 layers distributed as follows: four layers as convolution interchanged with other four layers of max pooling and finally three successfully connected layers. The experiment was conducted with the dataset which was downloaded from the Physionet in the Massachusetts Institute of Technology-Beth Israel Hospital database and then augmented to get sufficient and balanced dataset. To evaluate the performance of the proposed method and compare it with the previous algorithms, confusion matrix, sensitivity (SEN), specificity (SPE), precision (PRE), area under curve and receiver operating characteristic have been used and calculated. It has been found that performance from the proposed method is better than the existing methods based on CNN, and the accuracy is 99.84.

中文翻译：

---

深度卷积神经网络在心电图心律失常分类中的应用

心电图信号是反映心脏系统所有电活动的重要手段。因此，它被医生视为诊断和治疗心脏病的必备工具和材料。为了应对不同类型的心律失常，医生会手动检查心电图心跳。由于振幅、持续时间和形态学存在微小变化，因此需要基于计算机的系统来开发此类解决方案，以帮助医生完成他们的工作。在这项研究中，根据深度学习理论开发了一种自动分类十种不同心律失常类型的新策略。因此，采用著名的卷积神经网络 (CNN) 方法对这些不同类型的心律失常进行分类。所提出模型的结构由 11 层组成，分布如下：四层作为卷积与其他四层最大池化互换，最后三个成功连接层。实验使用从麻省理工学院-贝斯以色列医院数据库的Physionet下载的数据集进行，然后进行扩充以获得足够且平衡的数据集。为了评估所提出方法的性能并将其与以前的算法进行比较，使用并计算了混淆矩阵、灵敏度 (SEN)、特异性 (SPE)、精确度 (PRE)、曲线下面积和接收器操作特征。已经发现，所提出的方法的性能优于现有的基于CNN的方法，准确率为99.84。四层作为卷积与其他四层最大池化交换，最后三个成功连接层。实验使用从麻省理工学院-贝斯以色列医院数据库的Physionet下载的数据集进行，然后进行扩充以获得足够且平衡的数据集。为了评估所提出方法的性能并将其与以前的算法进行比较，使用并计算了混淆矩阵、灵敏度 (SEN)、特异性 (SPE)、精确度 (PRE)、曲线下面积和接收器操作特性。已经发现，所提出的方法的性能优于现有的基于CNN的方法，准确率为99.84。四层作为卷积与其他四层最大池化交换，最后三个成功连接层。实验使用从麻省理工学院-贝斯以色列医院数据库的Physionet下载的数据集进行，然后进行扩充以获得足够且平衡的数据集。为了评估所提出方法的性能并将其与以前的算法进行比较，使用并计算了混淆矩阵、灵敏度 (SEN)、特异性 (SPE)、精确度 (PRE)、曲线下面积和接收器操作特性。已经发现，所提出的方法的性能优于现有的基于CNN的方法，准确率为99.84。实验使用从麻省理工学院-贝斯以色列医院数据库的Physionet下载的数据集进行，然后进行扩充以获得足够且平衡的数据集。为了评估所提出方法的性能并将其与以前的算法进行比较，使用并计算了混淆矩阵、灵敏度 (SEN)、特异性 (SPE)、精确度 (PRE)、曲线下面积和接收器操作特性。已经发现，所提出的方法的性能优于现有的基于CNN的方法，准确率为99.84。实验使用从麻省理工学院-贝斯以色列医院数据库的Physionet下载的数据集进行，然后进行扩充以获得足够且平衡的数据集。为了评估所提出方法的性能并将其与以前的算法进行比较，使用并计算了混淆矩阵、灵敏度 (SEN)、特异性 (SPE)、精确度 (PRE)、曲线下面积和接收器操作特性。已经发现，所提出的方法的性能优于现有的基于CNN的方法，准确率为99.84。为了评估所提出方法的性能并将其与以前的算法进行比较，使用并计算了混淆矩阵、灵敏度 (SEN)、特异性 (SPE)、精确度 (PRE)、曲线下面积和接收器操作特征。已经发现，所提出的方法的性能优于现有的基于CNN的方法，准确率为99.84。为了评估所提出方法的性能并将其与以前的算法进行比较，使用并计算了混淆矩阵、灵敏度 (SEN)、特异性 (SPE)、精确度 (PRE)、曲线下面积和接收器操作特征。已经发现，所提出的方法的性能优于现有的基于CNN的方法，准确率为99.84。