paper-reading3 Automated Detection of Coronary Artery Disease

Automated Detection of Coronary Artery Disease Using Different Durations of ECG Segments with Convolutional Neural Network

亮点： 
正常和冠心病的分类
使用2s和5s的片段
CNN
不需要QRS波的检测
2 秒和 5 秒心电图段的正确率分别为 94.95%和 95.11%

摘要：
CNN网状结构：4个卷积层 4个最大池化层 3个全连接层
传统研究集中在特征工程，归一化，去噪，心拍截取，降维，选特征，这一系列操作（最小二乘支持向量机效果不错）耗时且任务量重。信号处理技术一般分为线性和非线性，线性处理分为时域和频域，非线性基于混淆理论，时域度量容易受到异常值影响，对灵敏度和特异性有影响，频域假定信号是静止和周期性的不利于实时观测，所以，可考虑非线性方法。
本文使用了卷积层、次采样层、全连接层共11层CNN 因此不需要任何预处理、特征提取和选取步骤直接检测

研究方法：
Physionet 数据库 CAD
预处理：正常心拍250HZ 异常心拍257HZ
Db6母小波去除噪声和基线漂移
心拍分割：预处理后正常信号和CAD信号分成2秒和5秒的时间间隔
不检测R峰，使用z-score标准化处理，克服振幅缩放。

CNN：
卷积神经网络由两部分组成，第一部分是特征识别层，这里自动学习输入数据形成特征，
第二部分是全连接的MLP，根据学得特征做分类
特征识别层由卷积层和池化层组成，池化层也就是下采样层，在ECG上使用随机梯度
下降最小化损失函数，在获得预测输出时，利用损失函数计算预测值的误差，
再采用反向传播调整权重，通过计算卷积层的权重斜率来预测误差，正向传播和反向传播连续进行。

结构：
池化层位于卷积层后，net1持续2s，最大池化层的核大小设置为2，
交替卷积层的核大小从第一层依次设置为27,15,4,3。
net2持续5s，最大池化层核大小设置为2，交替卷积层依次设置26,15,3和4。
从第8层和第9,10,11层的30,10,2个神经元全连接。softmax在最后一层做分类器。

训练：
随机学习 批量为10个样本的反向传播算法
权重更新：

偏差更新：

正则化参数，学习率，动量设置0.2 0.003 0.7

测试：
All ECG心拍：90%做测试集 测试集中70%训练 20%做验证集
10%的测试集 net1(95300) net2(38102) 数据分成10部分 实现10重交叉验证 9部分用做训练，其余用于测试，通过移动测试部分迭代10次，同时计算每个折叠的分类性能（准确率、特异性、敏感性），再求10个折叠的平均值得到整体性能

结果：
net1 耗时3472s net2 1649s
net1 准确率为 94.95%，敏感性为 93.72%，特异性为 95.18%，
net2 准确性为 95.11%，敏感性为 91.13%，特异性为 95.88%。
讨论：
由于分割后的ECG信号不受时间缩放，移位影响，因此不需要进行R峰检测。
计算成本比较低
优点：利用CNN对移动和尺度缩放具有鲁棒性，不需要QRS波检测，10折确保了结果的可靠性和鲁棒性 提出的系统不需要大量的计算成本。
建议：ECG信号长度固定，取决于CNN结构。