開發以卷積 神經網路為基礎之心律不整偵測系統並分析資料長度的 效應

心律不整為心臟十分常見之疾病，以心房顫動為例，每年約三百萬人被診斷出患有心房顫動，但由於心房顫動可能並無症狀，所以在數字是被低估的。
由於心律不整並非一直存在，有時患者不舒服時去醫院檢查，待檢查時又恢復正常，現在可透過穿戴裝置長時間追蹤心電圖，在心律不整發生時能即時發現，如此病患無須在醫院就能初步檢測出有無心律不整。由於心律不整中有些相似波形但並非同樣類型的心律，目前大多數文章並沒有探討資料長度與相似波形對於卷積神經網路模型的影響。
本論文使用 Physio Net 中的 Mitdb、 Afdb與 Vfdb三個資料庫中的心律不整資料，抓取九種心律不整類別資料後，將 Mitdb的資料集重新採樣至 250HZ與 Afdb以及 Vfdb相同，並以資料庫本身的標記作為依據切出相對應的心律不整資料，使用 Matlab建置 14層卷積神經網路模型，並分別訓練三秒、五秒、十秒的八類心律不整模型，而後再加入另一個類別的心律不整共九類心律不整， 使用轉移學習來加快訓練速度，共有三種秒數、兩組類別的比較。
本篇論文將會討論八種類型的心律不整在三秒、五秒與十秒的卷積神經網路的效果。 在五秒的神經網路模型取得 平均 準確率 99.5%、敏感度 98.2%與特異度 99.7%，在十秒的神經網路模型取得 平均 準確率 99.4%、敏感度 97.9%與特異度 99.6%，而後加入第九個類別後在五秒的神經網路取得 平均 準確率 99.2%、敏感度 96.6%與特異度 99.5%，而後加入第九個類別後在十秒的神經網路取得平均準確率 98.1%、敏感度 91.9%與特異度98.6%；在此實驗架構下不論九個類別或八個類別，五秒的 卷積 神經網路模型皆優於十秒的 卷積 神經網路模型。 最後使用未參與模型訓練與驗證的資料集以五秒的神經網路模型進行測試，最終取得 91.6%的準確度。
在這九種類別心律中本研究所使用的模型除三秒的卷積神經網路模型無法正確分類.
以外，五秒與十秒的卷積神經網路模型皆展現不錯的分類能力，而已準確率度等方式對比
以外，五秒與十秒的卷積神經網路模型皆展現不錯的分類能力，而已準確率度等方式對比五秒的結果與十秒的相差無幾，五秒的結果與十秒的相差無幾，但五秒所需的樣本集數量只有十秒的一半數量，以分類這但五秒所需的樣本集數量只有十秒的一半數量，以分類這些種類的心律不整五秒的神經網路模型已然足夠優秀；在研究中，有些相似波型的心律不些種類的心律不整五秒的神經網路模型已然足夠優秀；在研究中，有些相似波型的心律不整會有被混淆的情整會有被混淆的情形，雖然不影響分類的效果，形，雖然不影響分類的效果，但仍有改進模型或研究方法來加以改善的但仍有改進模型或研究方法來加以改善的空間，或許可以先分類出心房與心室的不同心律再進行下一步的分類。空間，或許可以先分類出心房與心室的不同心律再進行下一步的分類。