The electrocardiogram (ECG) reflects the electrical activity of the heart, and is one the most widely used biophysical signals that evaluate heart-related conditions. With years of experiences, medical professionals are able to identify and classify various ECG patterns. However, manually classifying ECG signals is prone to errors and takes considerable amount of time and effort, and thus people start to explore computational models for ECG classification. In recent years, deep artificial neural networks (ANNs) have gained increasing popularity in many fields for their outstanding performances. Traditional ANNs consist of computational units which are inspired from biological neurons but ignore the neural signal transmission details. Spiking neural networks (SNNs), on the other hand, are based on impulse neurons that more closely mimic biological neurons, and thus have a great potential to achieve similar performance with much less power. Nevertheless, SNNs have not become prevalent, and one of the primary reasons is that training SNNs especially the ones with deep structures remains a challenge. In this paper, we aim to propose an efficient way to build and train a deep SNN for ECG classification by constructing a counterpart structure of a deep ANN, transferring the trained parameters, and replacing the activation functions with leaky integrate-and-fire (LIF) neurons. The results show that the accuracy of the deep SNN even exceeds the original ANN. In addition, we compare and discuss the effects of different ANN activation functions on the SNN performance.

心电图 (ECG) 反映了心脏的电活动，是评估心脏相关状况的最广泛使用的生物物理信号之一。凭借多年的经验，医疗专业人员能够识别和分类各种心电图模式。然而，人工对心电信号进行分类容易出错且耗费大量时间和精力，因此人们开始探索心电分类的计算模型。近年来，深度人工神经网络（ANN）以其出色的性能在许多领域越来越受欢迎。传统的人工神经网络由受生物神经元启发但忽略神经信号传输细节的计算单元组成。另一方面，尖峰神经网络 (SNN) 它们基于更接近于模拟生物神经元的脉冲神经元，因此具有以更少的功率实现类似性能的巨大潜力。尽管如此，SNN 并没有变得普遍，主要原因之一是训练 SNN，尤其是具有深层结构的 SNN 仍然是一个挑战。在本文中，我们的目标是提出一种有效的方法来构建和训练用于心电图分类的深度 SNN，方法是构建深度 ANN 的对应结构，传递训练的参数，并用泄漏的积分和发射 (LIF) 替换激活函数。 ) 神经元。结果表明，深度 SNN 的准确率甚至超过了原始 ANN。此外，我们比较和讨论了不同 ANN 激活函数对 SNN 性能的影响。因此有很大的潜力以更少的功率实现类似的性能。尽管如此，SNN 并没有变得普遍，主要原因之一是训练 SNN，尤其是具有深层结构的 SNN 仍然是一个挑战。在本文中，我们的目标是提出一种有效的方法来构建和训练用于心电图分类的深度 SNN，方法是构建深度 ANN 的对应结构，传递训练的参数，并用泄漏的积分和发射 (LIF) 替换激活函数。 ) 神经元。结果表明，深度 SNN 的准确率甚至超过了原始 ANN。此外，我们比较和讨论了不同 ANN 激活函数对 SNN 性能的影响。因此有很大的潜力以更少的功率实现类似的性能。尽管如此，SNN 并没有变得普遍，主要原因之一是训练 SNN，尤其是具有深层结构的 SNN 仍然是一个挑战。在本文中，我们的目标是提出一种有效的方法来构建和训练用于心电图分类的深度 SNN，方法是构建深度 ANN 的对应结构，传递训练的参数，并用泄漏的积分和发射 (LIF) 替换激活函数。 ) 神经元。结果表明，深度 SNN 的准确率甚至超过了原始 ANN。此外，我们比较和讨论了不同 ANN 激活函数对 SNN 性能的影响。主要原因之一是训练 SNN 尤其是具有深层结构的 SNN 仍然是一个挑战。在本文中，我们的目标是提出一种有效的方法来构建和训练用于心电图分类的深度 SNN，方法是构建深度 ANN 的对应结构，传递训练的参数，并用泄漏的积分和发射 (LIF) 替换激活函数。 ) 神经元。结果表明，深度 SNN 的准确率甚至超过了原始 ANN。此外，我们比较和讨论了不同 ANN 激活函数对 SNN 性能的影响。主要原因之一是训练 SNN 尤其是具有深层结构的 SNN 仍然是一个挑战。在本文中，我们的目标是提出一种有效的方法来构建和训练用于心电图分类的深度 SNN，方法是构建深度 ANN 的对应结构，传递训练的参数，并用泄漏的积分和发射 (LIF) 替换激活函数。 ) 神经元。结果表明，深度 SNN 的准确率甚至超过了原始 ANN。此外，我们比较和讨论了不同 ANN 激活函数对 SNN 性能的影响。并用泄漏的集成激发 (LIF) 神经元替换激活函数。结果表明，深度 SNN 的准确率甚至超过了原始 ANN。此外，我们比较和讨论了不同 ANN 激活函数对 SNN 性能的影响。并用泄漏的集成激发 (LIF) 神经元替换激活函数。结果表明，深度 SNN 的准确率甚至超过了原始 ANN。此外，我们比较和讨论了不同 ANN 激活函数对 SNN 性能的影响。