作者剛開始接觸ECG AI的時(shí)候，第一件事情就是用谷歌學(xué)術(shù)檢索匆光，看到縱貫近40年的大量文章，F1分值往往逼近1酿联，這不就是個(gè)solved problem终息？可現(xiàn)實(shí)中，ECG還必須靠專業(yè)醫(yī)生讀圖贞让，豈非怪哉周崭？后來基于大量實(shí)際數(shù)據(jù)，實(shí)現(xiàn)喳张、測(cè)試了幾乎各種有影響的算法和模型续镇，才發(fā)現(xiàn)個(gè)中緣由，回首前塵销部，頗有蕭瑟之感觸摸航。
數(shù)字化心電圖（ECG）記錄，表現(xiàn)為一維時(shí)序?qū)嵭盘?hào)柴墩，多導(dǎo)聯(lián)時(shí)忙厌，為一組信號(hào)。利用計(jì)算機(jī)對(duì)其進(jìn)行識(shí)別江咳，屬于機(jī)器學(xué)習(xí)中的分類問題：將某心電記錄歸入一個(gè)或多個(gè)類別——對(duì)應(yīng)診斷病種逢净，如“正常”歼指、“房顫”等爹土。
各種用于心電信號(hào)識(shí)別的人工智能技術(shù)，無不具備“適合處理時(shí)序信號(hào)”和“以分類為目的”這兩個(gè)基本特征踩身。過去四十多年來這方面的實(shí)踐胀茵，大致可分成兩類：傳統(tǒng)機(jī)器學(xué)習(xí)、和深度學(xué)習(xí)挟阻。
（1）傳統(tǒng)機(jī)器學(xué)習(xí)琼娘。從二十世紀(jì)八、九十年代到現(xiàn)在附鸽，這類系統(tǒng)均可以歸結(jié)為一個(gè)簡(jiǎn)單的公式：系統(tǒng)=特征抽取+分類器脱拼。
特征抽取又可以分成信號(hào)處理和統(tǒng)計(jì)兩個(gè)步驟。信號(hào)處理包括：時(shí)域方法（如濾波坷备、模版匹配等）熄浓、頻域方法如傅立葉/加窗傅立葉變換、小波變換等省撑，也有采用Hilbert Huang變換的赌蔑。統(tǒng)計(jì)部分包括各種常用指標(biāo)如均值俯在、方差等，以及如峭度娃惯、相對(duì)熵等相對(duì)冷門一點(diǎn)的跷乐，這些指標(biāo)就作為抽取到的特征，輸入到分類器石景。
分類器則主要采用SVM或分類回歸樹（CART）劈猿，及其發(fā)展如Boosting等Ensemble方法〕蹦酰考慮到心電信號(hào)的時(shí)序特點(diǎn)揪荣，也有結(jié)合馬爾可夫過程、時(shí)序限制網(wǎng)絡(luò)等來予以增強(qiáng)的嘗試往史。另外仗颈，在某些特定場(chǎng)景下，也可以直接采用如 if/else 等簡(jiǎn)單規(guī)則椎例。
心電圖中挨决，QRS Complex最顯眼，也就是信噪比最高订歪。因此脖祈，曾有大量的研究致力于檢測(cè)R波，尤以Pan-Tompkins（P-T）刷晋、GQRS等算法為代表盖高。很多心電信號(hào)處理的算法，都先用P-T等來檢測(cè)R波眼虱，以此為基礎(chǔ)來抽取特征喻奥，例如最常見的R-R間隔等。
傳統(tǒng)機(jī)器學(xué)習(xí)方法用于心電信號(hào)識(shí)別捏悬，最主要的問題是冗澈，難于應(yīng)對(duì)不確定性（來源于噪聲和個(gè)體差異等）埃疫，以及較為嚴(yán)重的過擬合現(xiàn)象。絕大部分發(fā)表的文章龙考，在如MIT-BIH等小數(shù)據(jù)集上特笋，往往F1都可以達(dá)到0.95以上结榄，然而我們基于實(shí)際數(shù)據(jù)集的測(cè)試發(fā)現(xiàn)抱冷，F(xiàn)1通常在0.8以下汗菜。
（2）深度學(xué)習(xí)。過去五年的發(fā)展摧莽，主要是采用深度深度神經(jīng)網(wǎng)絡(luò)中的CNN、LSTM以及其后續(xù)發(fā)展如Attention機(jī)制等顿痪，適配于心電信號(hào)镊辕，大部分以1維CNN為基礎(chǔ)油够。和傳統(tǒng)機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)不依賴于人工的特征抽取和分類器選擇征懈，常見的網(wǎng)絡(luò)模型石咬，本身就可以直接從原始信號(hào)給出最終分類結(jié)果。
深度學(xué)習(xí)飛速發(fā)展卖哎，在如ImageNet等上的表現(xiàn)已經(jīng)超過人類鬼悠，故人們對(duì)基于深度學(xué)習(xí)的心電信號(hào)識(shí)別寄予厚望。然而亏娜，從基于較大規(guī)模的數(shù)據(jù)集PhysioNet/CinC Challenge 2017, iCBEB/CPSC2018（記錄數(shù)分別為8K+焕窝，6K+）的結(jié)果來看，這種“厚望”還有待實(shí)現(xiàn)维贺。在CinC 2017中它掂，雄踞榜首的方法基于傳統(tǒng)的特征工程-分類器，CPSC2018列名第一的基于深度學(xué)習(xí)溯泣，然而在實(shí)際數(shù)據(jù)集測(cè)試中虐秋，F(xiàn)1下降了10%，只有0.77垃沦。實(shí)際上客给，從斯坦福大學(xué)文章（因作者來自吳恩達(dá)Andrew Ng團(tuán)隊(duì)，該文在國(guó)內(nèi)影響很大）肢簿，便可知端倪靶剑，文中總的F1為0.809，但是除了“正骋胝蹋”等幾種類型的F1較高外抬虽，如“房顫”等主要病種的F1，都只是在0.6～0.7纵菌，難怪有人認(rèn)為文中對(duì)照組的“Cardiologist”得分太低阐污！該文章并沒有公開它所基于的訓(xùn)練集（64121條記錄），我們基于實(shí)際數(shù)據(jù)集的測(cè)試結(jié)果咱圆，General F1也大致在0.8以下笛辟。
關(guān)于（1）和（2）的結(jié)合，通常是利用Stacking等Ensemble方法序苏，也有讓深度神經(jīng)網(wǎng)絡(luò)不直接處理原始信號(hào)手幢，而是以信號(hào)處理后的輸出如頻譜圖、或者基于R波檢測(cè)后抽取的特征來作為神經(jīng)網(wǎng)絡(luò)的輸入忱详。這種結(jié)合围来，在CinC 2017和CPSC2018中都有例子，某些場(chǎng)景下能提高F1分值0.01～0.03左右。
最后监透，用這幅圖來總結(jié)人工智能處理心電圖的歷程桶错。經(jīng)驗(yàn)之談，僅供參考胀蛮。
