We propose a novel convolutional neural network framework for mapping a multivariate input to a multivariate output. In particular, we implement our algorithm within the scope of 12-lead surface electrocardiogram (ECG) reconstruction from intracardiac electrograms (EGM) and vice versa. The goal of performing this task is to allow for improved point-of-care monitoring of patients with an implanted device to treat cardiac pathologies. We will achieve this goal with 12-lead ECG reconstruction and by providing a new diagnostic tool for classifying five different ECG types. The algorithm is evaluated on a dataset retroactively collected from 14 patients. Correlation coefficients calculated between the reconstructed and the actual ECG show that the proposed convolutional neural network model represents an efficient, accurate, and superior way to synthesize a 12-lead ECG when compared to previous methods. We can also achieve the same reconstruction accuracy with only one EGM lead as input. We also tested the model in a non-patient specific way and saw a reasonable correlation coefficient. The model was also executed in the reverse direction to produce EGM signals from a 12-lead ECG and found that the correlation was comparable to the forward direction. Lastly, we analyzed the features learned in the model and determined that the model learns an overcomplete basis of our 12-lead ECG space. We then use this basis of features to create a new diagnostic tool for classifying different ECG arrhythmia's on the MIT-BIH arrhythmia database with an average accuracy of 0.98.

我们提出了一种新颖的卷积神经网络框架，用于将多变量输入映射到多变量输出。特别是，我们在从心内电图 (EGM) 重建 12 导联表面心电图 (ECG) 的范围内实施我们的算法，反之亦然。执行此任务的目标是改进对植入设备的患者的即时监测，以治疗心脏病。我们将通过 12 导联心电图重建和提供一种新的诊断工具来对五种不同的心电图类型进行分类来实现这一目标。该算法是在从 14 名患者中追溯收集的数据集上进行评估的。重建的心电图和实际心电图之间计算的相关系数表明，所提出的卷积神经网络模型代表了一种高效、准确、与以前的方法相比，合成 12 导联心电图的更好方法。我们还可以仅使用一根 EGM 导联作为输入来实现相同的重建精度。我们还以非患者特定的方式测试了该模型，并看到了合理的相关系数。该模型还在反向执行以从 12 导联心电图产生 EGM 信号，并发现相关性与正向相当。最后，我们分析了模型中学习到的特征，并确定该模型学习了我们 12 导联 ECG 空间的过度完整基础。然后，我们使用此基础特征创建一个新的诊断工具，用于对 MIT-BIH 心律失常数据库上的不同心电图心律失常进行分类，平均准确度为 0.98。我们还可以仅使用一根 EGM 导联作为输入来实现相同的重建精度。我们还以非患者特定的方式测试了该模型，并看到了合理的相关系数。该模型还在反向执行以从 12 导联心电图产生 EGM 信号，并发现相关性与正向相当。最后，我们分析了模型中学习到的特征，并确定该模型学习了我们 12 导联 ECG 空间的过度完整基础。然后，我们使用此基础特征创建一个新的诊断工具，用于对 MIT-BIH 心律失常数据库上的不同心电图心律失常进行分类，平均准确度为 0.98。我们还可以仅使用一根 EGM 导联作为输入来实现相同的重建精度。我们还以非患者特定的方式测试了该模型，并看到了合理的相关系数。该模型还在反向执行以从 12 导联心电图产生 EGM 信号，并发现相关性与正向相当。最后，我们分析了模型中学习到的特征，并确定该模型学习了我们 12 导联 ECG 空间的过度完整基础。然后，我们使用此基础特征创建一个新的诊断工具，用于对 MIT-BIH 心律失常数据库上的不同心电图心律失常进行分类，平均准确度为 0.98。该模型还在反向执行以从 12 导联心电图产生 EGM 信号，并发现相关性与正向相当。最后，我们分析了模型中学习到的特征，并确定该模型学习了我们 12 导联 ECG 空间的过度完整基础。然后，我们使用此基础特征创建一个新的诊断工具，用于对 MIT-BIH 心律失常数据库上的不同心电图心律失常进行分类，平均准确度为 0.98。该模型还在反向执行以从 12 导联心电图产生 EGM 信号，并发现相关性与正向相当。最后，我们分析了模型中学习到的特征，并确定模型学习了我们的 12 导联 ECG 空间的过度完整基础。然后，我们使用此基础特征创建一个新的诊断工具，用于对 MIT-BIH 心律失常数据库上的不同心电图心律失常进行分类，平均准确度为 0.98。