Comparison of shallow and deep learning methods of ECG signals classification for arrhythmia detection

The research aimed to compare the classification performance of arrhythmia classification from the ECG signal dataset from the Massachusetts Institute of Technology–Beth Israel Hospital (MIT-BIH) database. Shallow learning methods that were used in this study are Support Vector Machine, Naïve Bayes, and Random Forest. 1D Convolutional Neural Network (1D CNN), Long Short Term Memory (LSTM), and Gated Recurrent Unit (GRU) were deep learning methods that were used for the study. The models were tested on a dataset with 140 samples that were grouped into four class labels, and each sample has 2160 features. Those models were tested for classification performance. This research shows Random Forest and 1D CNN have the best performance.

---

Badanie ma na celu porównanie wydajności klasyfikacji arytmii na podstawie zestawu danych sygnału EKG z bazy danych Massachusetts Institute of Technology – Beth Israel Hospital (MIT-BIH). W pracy zastosowano następujące metody: Support Vector Machine, Naïve Bayes i Random Forest. Ponadto wykorzystano następujące metody głębokiego uczenia: 1D Convolutional Neural Network (1D CNN), Long Short Term Memory (LSTM) oraz Gated Recurrent Unit (GRU). Modele zostały przetestowane na zbiorze danych zawierającym 140 próbek pogrupowanych w cztery etykiety klas. Każda próbka zawierała 2160 cech. Przeprowadzone testy wydajności klasyfikacji wskazały, że Random Forest i 1D CNN wykazują najwyższą wydajność.

---

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).