Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks2017

作者：Pranav Rajpurkar ∗
Awni Y. Hannun ∗
Masoumeh Haghpanahi
Codie Bourn
Andrew Y. Ng

Abstract
我们研发了一种算法，在检测由单个导联可穿戴监视器记录的很多种心率不齐心电图上，能够提高委员会认证医生的表现。我们训练了一个34层的卷积神经网络，将ECG样本分类。

1. Introduction
   为了从ECG从自动检测心率失常，算法必须潜在的识别出不同的波形，看清波形之间随着时间的复杂关系。这个有难度，因为由于病人之间和噪声的影响导致的波形的变化性。
   我们训练了一个34层的卷积神经网络，来检测任意长度ECG时间序列的心律失常。输入输入图片如图一：
   
   除了能够区分噪声和窦性心律，网络学习分类和分割给定时间序列的12类心率不齐。模型是端对端训练的，数据来自单导连ECG信号，以200Hz采集，每两秒ECG进行标注，作为监督。为了使这么深得模型能够很好的优化，我们使用了惨差连接和BN，对每个分类决策，深度既增加了计算的非线性，还增加了纹理窗口的大小。

2. Model
   Problem Formulation
   ECG心律失常检测任务是一个，序列对序列的任务，它接收ECG信号x=[x 1 , ..x k ]，输出对应label，r = [r 1 , …r n ]，每个r i对应m类不同心律失常中的一类。每个输出label对应输入的一个分割。输出的所有类对应所有的序列。
   对于一个数据集里的样本，我们优化了交叉商目标函数：
   

Model Architecture and Training
网络架构如图2。网络的输入是时间序列的原始ECG数据，输出序列对应的label预测。30秒长的ECG信号采样频率为200Hz，模型输出每两秒的预测。我们的架构有33层卷积层，在加一层全连接层和softmax。
为了能够训练，我们采用和惨差网络相似的短链接。神经网络层与层之间的短连接，通过使信息在非常深的网络间很好传递，来优化训练。在数据输入网络之前，使用鲁棒性正则化策略进行正则化。网络包含16个惨差模块，每个惨差模块包括2个卷积层。所有的卷积层滤波器大小为16,个数为64k，k从1开始，每4个惨差网络递增1.

每个交替的惨差网络对输入下采样一半，因此，原始的数据被下采样了2的8次方 。当一个惨差网络下采样输入时，相对应的短路经也使用Max Pooling下采样它们的输入，采样因子相同。
在每个卷积层之前都加了BN层，和一个修正线性单元，采用pre-activation block design。由于这个pre-activation block结构，网络的第一层和最后一层是特殊的。我们还在卷积层之间和非线性单元之后增加了Dropout。最后的全连接层和softmax激活对每个时间step产生14个类的分布。

1. Data
   Training
   我们将数据集分成训练集（90%）和验证集。
   这幅图挺有意思的。纵坐标表示真实标签，横坐标表示预测的类别，比如纵坐标AFL，完全预测对，而AFIB则会有部分预测为AFL，SINUS，SVT等。

2. Conclusion
   模型的表现源于两方面，大量的标记数据集和非常深的神经网络。