Among various life-threatening cardiac disorders, ventricular tachycardia (VT) and ventricular fibrillation (VF) are shockable ventricular cardiac arrhythmias (SVCA) which require immediate defibrillation therapy for the survival of patients. Timely and accurate detection of rapid VT or VF episodes using ECG signals is extremely important before initiating external defibrillator (AED) and implantable cardioverter-defibrillator (ICD) therapies. In this paper, a novel approach for the detection of SVCA using ECG signals is proposed. The fixed frequency range empirical wavelet transform (EWT) (FFREWT) filter-bank is introduced for the multiscale analysis of ECG signals. The modes evaluated using FFREWT of ECG signals are used as input to a deep convolutional neural network (CNN) for the detection of SVCA. The architecture of the proposed deep CNN comprises of four convolution, two pooling, and four dense layers. The ECG signals from various public databases are used to evaluate the proposed FFREWT domain deep CNN approach. The results show that the proposed approach has obtained an accuracy of 99.036%, 99.800%, and 81.250% for the classification of shockable vs non-shockable, VF vs Non-VF, and VT vs VF, respectively using 8 s ECG frames with 10-fold cross-validation (CV) strategy. Our proposed approach has obtained an average accuracy value of 97.592% using 8 s ECG frames with subject-specific CV. The hardware implementation of the proposed SVCA detection approach can be done using an Internet of things (IoT) driven patient monitoring system.

在各种威胁生命的心脏疾病中，室性心动过速（VT）和室颤（VF）是可电击的室性心律不齐（SVCA），需要立即进行除纤颤治疗才能使患者存活。在启动外部除颤器（AED）和可植入的心脏复律除颤器（ICD）治疗之前，使用ECG信号及时准确地检测快速VT或VF发作非常重要。本文提出了一种使用ECG信号检测SVCA的新方法。引入了固定频率范围的经验小波变换（EWT）（FFREWT）滤波器组，用于ECG信号的多尺度分析。使用ECG信号的FFREWT评估的模式被用作深度卷积神经网络（CNN）的输入，以检测SVCA。拟议的深层CNN的体系结构包括四个卷积，两个池化和四个密集层。来自各种公共数据库的ECG信号用于评估建议的FFREWT域深层CNN方法。结果表明，使用8 s ECG帧和10 s ECG帧分别对可电击与不可电击，VF与非VF以及VT与VF进行分类，所提方法的准确度分别为99.036％，99.800％和81.250％。折交叉验证（CV）策略。我们提出的方法使用8 s ECG帧和特定对象的CV获得了97.592％的平均准确度值。可以使用物联网（IoT）驱动的患者监护系统来完成提出的SVCA检测方法的硬件实现。来自各种公共数据库的ECG信号用于评估建议的FFREWT域深层CNN方法。结果表明，使用8 s ECG帧和10 s ECG帧分别对可电击与不可电击，VF与非VF以及VT与VF进行分类，所提方法的准确度分别为99.036％，99.800％和81.250％。折交叉验证（CV）策略。我们提出的方法使用8 s ECG帧和特定对象的CV获得了97.592％的平均准确度值。可以使用物联网（IoT）驱动的患者监护系统来完成提出的SVCA检测方法的硬件实现。来自各种公共数据库的ECG信号用于评估建议的FFREWT域深层CNN方法。结果表明，使用8 s ECG帧和10 s ECG帧分别对可电击与不可电击，VF与非VF以及VT与VF进行分类，所提方法的准确度分别为99.036％，99.800％和81.250％。折交叉验证（CV）策略。我们提出的方法使用8 s ECG帧和特定对象的CV获得了97.592％的平均准确度值。可以使用物联网（IoT）驱动的患者监护系统来完成提出的SVCA检测方法的硬件实现。使用8 s ECG帧和10倍交叉验证（CV）策略分别将电击与非电击，VF与非VF以及VT与VF的分类分别提高了250％。我们提出的方法使用8 s ECG帧和特定对象的CV获得了97.592％的平均准确度值。可以使用物联网（IoT）驱动的患者监护系统来完成提出的SVCA检测方法的硬件实现。使用8 s ECG帧和10倍交叉验证（CV）策略分别将电击与非电击，VF与非VF以及VT与VF的分类分别提高了250％。我们提出的方法使用8 s ECG帧和特定对象的CV获得了97.592％的平均准确度值。可以使用物联网（IoT）驱动的患者监护系统来完成所提出的SVCA检测方法的硬件实现。