尊敬的审查员：

您好！

我已经认真阅读对于一种极限卷积神经网络的ECG信号诊断方在2021年2月2日下达的第二次审查意见通知书，对原始连续时间内的心电数据预处理得到单心跳的离散数值样本，并对这些一维信号样本提取1D-CNN卷积特征和PQRST数值特征；对提取的两种特征进行融合操作，使不同类型、不同维度的特征整合一体，作为单心跳的代表特征集；测试集和训练集的每个样本经过特征融合，可得到一个100维的特征向量；对特征融合后的样本进行分类，得到每种心电信号的分类精度，提取出一维卷积特征和PQRST特征并将两者相融合的方法，从而提高心电信号计算机辅助诊断系统的准确率但是上述该基于特征融合的ECG信号分类的方法在使用过程中，仍然存在较为明显的缺陷：在对ECG信号进行分类时，无法对ECG的多种波形进行信号诊断，使得无法很好的通过神经网络对信号进行诊断，在信号诊断的时候只能采用人工监测诊断的方式，不仅诊断准确性差，而且浪费时间和人力精力，非常不方便。数据处理阶段：数据源自MIT/BIH的数据库中

相较于对比文件的区别技术特征是利用卷积神经网络对数据库中的ECG波形进行特征提取；参数输入阶段：将卷积神经网络的特征输出参数输入到极限学习机中；训练学习阶段：训练极限学习机的参数，将数据库中的ECG波形的样本数据进行网络训练；信号诊断阶段：通过训练好的极限学习机对ECG信号进行诊断。所述卷积神经网络包括输入层、卷积层和采样层。步骤S3中，利用极限学习机确定权值和预测。数据库中的ECG波形分为6种类型，即正常、室性早搏、步跳、右支动脉硬化、房性早搏以及步跳和正常的叠加。

该区别技术特征实际要解决的技术问题是采用将卷积神经网络和极限学习机结合，利用卷积神经网络进行特征提取和极限学习机进行分类，从而达到对ECG信号进行诊断的目的，取消了人为监测信号对ECG进行诊断的形式，采用神经网络的方式进行信号诊断，效果特别好，十分值得推广。

申请人希望，上述说明能够有助于澄清审查员所指出的问题。如有不妥或欠周之处，敬请指正，申请人愿意以最大的诚意积极配合审查员的工作，以加快审查进程。

最后，申请人对审查员认真细致的工作再次表示由衷的感谢!