DWT-CNNTRN：離散ウェーブレット変換によるECG分類用の畳み込みトランス

心血管疾患は、世界中の死の主な原因です。心血管疾患の診断は、通常、心電図（ECG）を利用して心臓専門医によって行われます。これらの医師が正確な診断を下すのを支援するために、信頼性の高い自動ECG分類器が必要になります。この研究では、12リードのECG録音を分類するための新しい方法が提案されています。提案されたモデルは、CNN（畳み込みニューラルネットワーク）モジュール、トランスモジュール、グローバルハイブリッドプーリング層、および分類層の4つのコンポーネントで構成されています。分類パフォーマンスを改善するために、モデルはモデル入力としてECG信号の個別のウェーブレット変換を取り、ハイブリッドプーリング層を利用して各期間にわたって最も重要な機能を凝縮します。提案されたモデルは、中国生理学的信号のテストセットを使用して評価されます12リードECGを備えたチャレンジ2018データセット。平均精度は0.86で、平均F1スコアは0.83です。スコアは、ブロック条件（LBBB、RBBB、I-AVB）に特に適しています。提案されたモデルの主な利点は、他の個々の個々のモデルやアンサンブルモデルと比較して、かなり少ないパラメーターで良い結果を得ることです。臨床的関連性 - この作業は、高性能とモデルサイズが低い新しいECG分類子モデルを確立することです。特にリモートまたはサービスを受けていないエリアで、自動ECG分析をよりアクセスしやすく、効率的で正確にすることができます。

Cardiovascular diseases are the leading cause of death worldwide. The diagnoses of cardiovascular diseases are usually carried out by cardiologists utilizing Electrocardiograms (ECGs). To assist these physicians in making an accurate diagnosis, there is a growing need for reliable and automatic ECG classifiers.In this study, a new method is proposed to classify 12-lead ECG recordings. The proposed model is composed of four components: the CNN(Convolutional Neural Network) module, the transformer module, the global hybrid pooling layer, and a classification layer. To improve the classification performance, the model takes the discrete wavelet transform of ECG signals as the model inputs and utilizes a hybrid pooling layer to condense the most important features over each period.The proposed model is evaluated using the test set of the China Physiological Signal Challenge 2018 dataset with 12-lead ECGs. It performs with an average accuracy of 0.86 and an average F1-scores of 0.83. The scores are particularly good for the block conditions (LBBB, RBBB, I-AVB). The main advantage of the proposed model is that, it obtains good results with a significantly smaller number of parameters compared to other individual and ensemble models.Clinical relevance- This work establishes a new ECG classifier model with high performance and low model size. It can make automatic ECG analysis more accessible, efficient, and accurate, especially in remote or underserved areas.