【论文阅读】Ensembling Convolutional and Long Short-Term Memory Networks for Electrocardiogram Arrhythmia

论文阅读：Ensembling Convolutional and Long Short-Term Memory Networks for Electrocardiogram Arrhythmia Detection

一、摘要

我们的基础深度分类器将卷积神经网络（CNN）和一系列长时短期记忆单元结合在一起，并采用池化，辍学和归一化技术来提高其准确性。网络在每第18个输入样本处进行分类预测，然后选择最终预测进行分类。十个使用我们的基本分类器架构的独立模型首先在PhysioNet / CinC Challenge 2017数据集的90％上进行了交叉验证，然后在10％上进行了测试。集成分类器从十个子模型中选择了最佳平均概率的标签，以提高预测质量。主要结果：我们提交给挑战的原始结果为平均值F 1-占80％。提出的新方法将测试分数提高到82％，在挑战的后续阶段中这是第三高的分数。

二、数据

这项研究使用了为PhysioNet / CinC Challenge 2017（Clifford et al 2017）提供的训练集。它包含以300 Hz采样的8528个ECG信号，尽管有些记录短至6 s，但大多数持续30至60 s。信号在以下四个类别中分布：5076正常窦性心律（N）病例，758房颤（AF）病例，2415替代性心律（O）病例和279噪声（〜）病例。用于对挑战条目评分的隐藏测试数据由3658个ECG组成，其类分布与训练数据相似。

三、方法

如Warrick和Homsi（2017）所述，使用10倍交叉验证分别训练，验证和测试了10个CL 3分类器。如图2所示，CL 3模型架构包括两个主要组件：使用CNN和最大池实现的表示学习，以及使用三个LSTM的堆栈进行的序列学习。辍学和批处理规范化的最佳做法（Buduma和Locascio 2017）也已纳入网络。CL 3体系结构的详细信息在附录中给出。

CL 3架构。BN指的是批处理规范化，Max-pool指的是最大池化。转载自Warrick和Homsi

四、结果

OC将所有数据用于培训，验证或测试，以评估集成策略，但10％的数据被保留作为测试数据集，并且没有参与交叉验证。然后，对其他90％的数据进行常规的十倍交叉验证。在此交叉验证期间生成的十个分类器还用于测试保留的数据集。最后，由这十个基本分类器构成的集成分类器对保留的数据集进行了测试。表2比较了Warrick和Homsi（2017）的OC交叉验证结果报告和我们的新集成方法的十个基本分类器的每性能表现。

五、讨论

提出了一种基于原始单导心电图的心律失常自动分类的整体深度学习模型。我们的集成模型融合了十个分类器的决策，以得出比单个深度分类器更强大的ECG分类方案。基本分类器使用CNN提取功能，这些功能被引入LSTM堆栈中，以自动学习ECG模式与基础ECG类之间的相关性，而无需进行手动参数调整。值得注意的是，该网络使用训练的卷积滤波器产生的性能与在初始输入处理阶段使用固定小波滤波器产生的性能相似，但是这样做的设计工作量较小。结果表明，与单个基本模型相比，我们的集成分类器产生了更好的分类性能（增加了2％）。