在這里給大家分享一篇關(guān)于用深度學(xué)習(xí)進行心電圖識別的論文，原文地址https://arxiv.org/abs/1804.06812泰演，我翻譯成了中文以便大家快速學(xué)習(xí)哪审，中間難免有疏忽遺漏的地方娶牌，請大家諒解锦募。
這篇文章是由韓國的幾個研究人員發(fā)表的摆屯，通過使用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了心電圖的高精準(zhǔn)分類邻遏，總共完成了8類心電圖心律不齊病變的分類糠亩，其達到的分類精確度都超過了所有目前用來做心電圖自動分類的方法虐骑，而且其中它的好處是不需要過多的對原始數(shù)據(jù)進行預(yù)處理。
摘要
在論文中提出了一種有效的ECG心律分類方法赎线，該方法是基于二維CNN神經(jīng)網(wǎng)絡(luò)廷没，最近的研究表明其在模式識別方向上有顯著的性能表現(xiàn)。每個ECG跳動的數(shù)據(jù)被轉(zhuǎn)化為一副灰度圖作為CNN分類器的輸入數(shù)據(jù)垂寥。優(yōu)化的CNN分類器包含不同的深度學(xué)習(xí)技術(shù)模型颠黎，除此之外，論文中用兩個經(jīng)典的網(wǎng)絡(luò)做了比較滞项，一個是AlexNet狭归，另一個是VGGNet。用來訓(xùn)練分類的ECG數(shù)據(jù)記錄來自 MIT-BIH心律數(shù)據(jù)庫文判，分類器訓(xùn)練結(jié)果的平均準(zhǔn)確度達到了97.85%过椎，最高99.05%，同時訓(xùn)練的數(shù)據(jù)并沒有經(jīng)過類似噪聲濾波戏仓、特征提取等任何的預(yù)處理疚宇。
1. 介紹
根據(jù)世界衛(wèi)生組織（WHO），心血管疾采脱辍（CVDS）是當(dāng)今疾病死亡的頭號殺手敷待。超過1770萬人死亡是由心血管疾病引起的，占總死亡人數(shù)的31%仁热，死亡人數(shù)超過75%出現(xiàn)在低收入和中等收入國家榜揖。心律失常是一種有代表性的心血管疾病類型，主要是任何與正常心臟不規(guī)則的節(jié)律變化股耽，通常有很多類型的心律失常根盒，包括心房顫動、過早收縮物蝙、心室顫動和心動過速等炎滞，雖然單次心律失常可能對生命沒有嚴(yán)重影響诬乞，但連續(xù)的心律失巢崛可能導(dǎo)致嚴(yán)重的后果。例如震嫉，長時間室性早搏（PVCs）偶爾轉(zhuǎn)變?yōu)槭倚孕膭舆^速（VT）或室顫（VF）森瘪，其可能導(dǎo)致心力衰竭，所以周期性的觀測心跳對阻止心血管疾病是非常重要的票堵。心電圖（ECG）是一種無創(chuàng)的有效的觀測心律和心臟狀態(tài)的醫(yī)療工具扼睬，因此通過心電圖（ECG）自動檢測不規(guī)則心律在心臟病學(xué)領(lǐng)域是一項非常重要的課題。
有很多針對心律不齊的分類方法被提出：
1）基于前饋神經(jīng)網(wǎng)絡(luò)（FFNN）的方法，針對4種不同類型的心律不齊檢測窗宇，其精確度可以達到96.95%措伐；
2）SVM也被廣泛應(yīng)用在心電圖心律檢測方向，針對6種不同類型的心律不齊檢測军俊，其精度可以達到89.72%侥加；
3）基于RNN網(wǎng)絡(luò)的方法，針對4種不同類型的心律不齊檢測粪躬，其精度可以達到98.06%担败；
4）基于KNN（K-nearest neighbor）的方法，針對17中類型的心電圖數(shù)據(jù)镰官，可以達到97.1%的精確度提前；
但這些方法都存在一定的缺陷：
1）用來訓(xùn)練的數(shù)據(jù)都是經(jīng)過精心挑選的；
2）心電圖的跳動數(shù)據(jù)在噪音濾波和特征提取中會損失泳唠；
3）能進行分類的心電圖類型有限岖研；
4）在實際中應(yīng)用分類性能相對較低；
在這邊文章中警检，基于提出的2維CNN’處理孙援，首先不需要做噪音濾波和特征提取的預(yù)處理；其次通過增加心電圖訓(xùn)練數(shù)據(jù)可以提高分類的精度扇雕，前面提到的方法中拓售，要做到數(shù)據(jù)擴充是很難的；同時前面的方法對噪音信號非常敏感镶奉；本文提出的方法础淤，因為通過二維的CNN’處理，該模型會在通過卷積和池化層提取相關(guān)特征時會自動忽略噪音干擾哨苛，這樣就可以適應(yīng)不同的心電圖機器和不同的采樣率信號鸽凶。
該方法把原始的心電圖數(shù)據(jù)轉(zhuǎn)化為128x128的灰度圖作為CNN的輸入，可以分辨8種不同的心律失常：正常搏動（NOR）建峭、室性早搏（PVC）玻侥、起搏搏動（PAB）、右束支傳導(dǎo)阻滯搏動（RBB）亿蒸、左束支傳導(dǎo)阻滯搏動（LBB）凑兰、房性早搏（APC）、室顫波搏動（VFW）和室性逸搏（VEB）边锁，因為在MIT-BIH心律數(shù)據(jù)庫中主要都是正常的數(shù)據(jù)姑食，其他7類的數(shù)據(jù)占很少一部分，所以通過數(shù)據(jù)擴充的辦法來增加其他7中特征的數(shù)據(jù)讓數(shù)據(jù)保持平衡茅坛，具體的方法在下文會進行介紹音半。
2. 實現(xiàn)方法
2.1 心電圖數(shù)據(jù)的預(yù)處理
首先把MIT-BIH心律數(shù)據(jù)庫轉(zhuǎn)換為可以灌給CNN的二維數(shù)據(jù)，相當(dāng)于轉(zhuǎn)化為圖片，然后通過CNN來對這些圖片做基于8個分類的圖像分類曹鸠；
因為MIT-BIH心律數(shù)據(jù)庫提供的數(shù)據(jù)是通過P-QRS-T波的周期來標(biāo)定的隔躲，所以可以通過時間節(jié)點來提取單周期（single pattern）的的信號轉(zhuǎn)換成圖片信息，即一張圖片包含一個周期的心電圖波形物延，如下所示：
2.2 心電圖心律不齊分類器
把心電圖數(shù)據(jù)轉(zhuǎn)換為2維數(shù)據(jù)（圖片信息）進行處理，主要是CNN包含的卷積仅父、池化等處理對2維圖像處理很適用叛薯，從而可以提高分類的準(zhǔn)確率。現(xiàn)今有很多優(yōu)秀的CNN模型笙纤，例如AlexNet和VGGNet耗溜，本文就是通過這兩種實現(xiàn)方式來進行處理，當(dāng)然目前還有一些性能更好的網(wǎng)絡(luò)模型省容，例如GoogleNet抖拴、ResNet、DenseNet等腥椒，但這些網(wǎng)絡(luò)結(jié)構(gòu)都包含很深的層數(shù)阿宅，這里處理的心電圖數(shù)據(jù)僅僅是一個128x128的圖片信息，所以用不到這么深的網(wǎng)絡(luò)笼蛛，所以在這里就使用AlexNet和VGGNet進行處理和對比洒放。
2.2.1 數(shù)據(jù)擴增
因為在MIT-BIH心律數(shù)據(jù)庫中，大部分?jǐn)?shù)據(jù)都是正常數(shù)據(jù)滨砍，病變的數(shù)據(jù)占比很小往湿，這樣形成的數(shù)據(jù)集就不平衡，最后導(dǎo)致訓(xùn)練的模型性能很差惋戏，缺乏魯棒性领追。為了解決這個問題，通過裁剪响逢、移動等方法對病變的信號進行處理來增加上文提到的7中病變信息绒窑，例如下面的處理：
針對這個室性早搏（PVC）的數(shù)據(jù)掷伙，對它分別進行左上杉适、中上峦睡、右上译暂、左中祷嘶、中衍菱、右中撩幽、做下兜挨、中下和右下的平移职抡，并進行裁剪獲得9個數(shù)據(jù)特征葬燎，這樣做相當(dāng)于原來只有一個病變數(shù)據(jù)，處理后得到了另外9個病變數(shù)據(jù)。
2.2.2 濾波器初始化
基于梯度下降學(xué)習(xí)的主要缺陷是模型可能發(fā)散或陷入局部最小點谱净。為了達到更好的收斂效果窑邦，文章中通過Xavier初始化來平衡所有CNN濾波器的梯度尺度的大小，權(quán)值通過下面公式進行隨機初始化
其中In和Out是網(wǎng)絡(luò)中濾波單元的輸入和輸出個數(shù)壕探。
在現(xiàn)今的神經(jīng)網(wǎng)絡(luò)系統(tǒng)中冈钦，較小尺寸的濾波器被認(rèn)為有更好的處理效果，所以在這里用到的CNN濾波器尺寸是3x3李请，同時為了保證圖像在進行卷積層處理時保持原始的尺寸瞧筛，采用了zero-padding模式。
2.2.3 激活函數(shù)
文章中通過使用LReLU. ReLU, LReLU, 和 ELU發(fā)現(xiàn)使用ELU性能更好导盅，相對ReLU來說较幌，ELU保留了更多的負(fù)向信息。
2.2.4 正則化
正則化也可叫做歸一化白翻，主要是用來減小過擬合乍炉。這里使用了兩種常規(guī)的方法，batch normalization和dropout滤馍，如果不做batch normalization的話岛琼，前面一點點的變化將對后面產(chǎn)生非常大的影響，通常batch normalization放在激活函數(shù)前和卷積層后巢株，但文章中發(fā)現(xiàn)針對ECG的數(shù)據(jù)比較特殊衷恭，放在激活函數(shù)后效果會更好，同時在卷積層后和全連接層后都放了batch normalization纯续；
這里使用的dropout為0.5随珠，把他放在了全連接層后面的batch normalization后，這里在卷積層沒有加dropout猬错，一般來說窗看，由于卷積層不具有許多自由參數(shù)，所以Dropout不適用于卷積塊倦炒，并且節(jié)點之間的協(xié)同適應(yīng)比減少過擬合更為重要显沈。
2.2.5 誤差和優(yōu)化函數(shù)
誤差函數(shù)用的是典型的cross-entropy函數(shù)
優(yōu)化器使用的是Adam優(yōu)化器，同時使用的是動態(tài)學(xué)習(xí)率逢唤，起始值是0.0001拉讯，然后通過下面的方式進行迭代，表示1000個迭代步驟后學(xué)習(xí)率會變小為原來的0.95
2.2.6 驗證集
用來測試當(dāng)前訓(xùn)練的模型性能是否達到要求鳖藕，同時如果沒有驗證集的話訓(xùn)練過度會造成過擬合魔慷。使用的機制是在訓(xùn)練中如果在500個迭代后權(quán)重的平均靈敏度和系統(tǒng)收斂狀態(tài)沒有改變的話就停止學(xué)習(xí)的過程然后開始進行驗證集測試
2.2.7 優(yōu)化的CNN分類器架構(gòu)
整個CNN的模型如下：
在此基礎(chǔ)上加入了AlexNet和VGGNet的架構(gòu)進行了性能驗證和比對，下面分別是CNN架構(gòu)著恩、AlexNet架構(gòu)和VGGNet架構(gòu)的層數(shù)院尔、每層結(jié)構(gòu)蜻展、濾波器大小、步進邀摆、每層特征提取通道數(shù)和每層輸入輸出維度
3. 實驗結(jié)果
數(shù)據(jù)集構(gòu)成
實驗結(jié)果
文中提到了
Curve (AUC), Accuracy (Acc), Specificity (Sp), Sensitivity (Se), and Positive Predictive Value (+P) 5種評判標(biāo)準(zhǔn)纵顾，這里只列出準(zhǔn)確率，其他4種有興趣大家可以自己查閱栋盹。
從準(zhǔn)確度可以看出施逾，CNN模型和AlexNet比VGGNet的性能稍好，通過數(shù)據(jù)擴增的性能CNN模型和AlexNet都比擴增前稍高例获，而VGGNet有一定的降低汉额。
下面是誤差曲線和精度收斂
