ECG分类（二）

模型搭建

两层卷积+两层池化+三个全连接层，作者采用了“多头”输入，3个输入都是同一条数据，但每一个分支设置的卷积核参数不一样：①第一层三个通道的卷积核尺寸分别是4，6，8；②第一层三个通道的卷积核尺寸分别是6，8，10。
batch size = 64
learning rate = 0.01
total training process = 100 epochs

（个人觉得这里没有使用图像处理中的3x3，1x1等更小卷积核，是因为我们的ECG是一个基于幅值的低频数据，小的感受野不一定能够包含一个较大范围的幅值变化，也就是较小的局部区域，很难构成特征性较强的波形。而为什么没有使用诸如16，32之类的大卷积核呢？因为我们的心拍本身就是一个短时间数据，过度关注整体上的变化而忽略了局部，所谓“过犹不及”，所以选择了三个中等大小的卷积核。总的来说，调参是一部分，还有一部分是要基于问题本身，从数据层面的分析，再到模型层面的分析。）

交叉验证

作者采取了三个不同折的交叉验证：

结果
文章中的四分类结果：

对于S类和F类这两个类的样本较少，灵敏度不是很高。238次S类心搏被归为N类，60次V类也被认为是正常的。
性能指标：

转载于：https://blog.csdn.net/weixin_42559479/article/details/104708032