ECG学习记录（1）

作为一个研一小白，研究方向是关于ECG信号的，在CSDN上看了很多大佬写的博客，用此来记录一下学习过程。
最近学习了一个大佬写的ECG分类项目，记录一下。下附链接：
https://blog.csdn.net/qq_15746879/article/details/8549549
代码链接也附在这里：https://gitcode.net/mirrors/Aiwiscal/CPSC_Scheme?utm_source=csdn_github_accelerator
下面开始学习叭！
**

==数据库介绍

**：
数据库是来自2018年中国生理信号挑战赛（China Physiological Signal Challenge 2018）的数据。该数据库是由11家医院中收集而来，官方公开的训练集中包含了6877条记录，男性3699，女性3178。此外还有2954条记录作为测试集，不对外公开，用作比赛时的评分。信号的采样率为500 Hz，每条记录包含标准12导联，同时也给出了个体的年龄和性别。各条记录不等长，最短的有6 s，最长的，官方页面中称是60 s，但在处理中发现最长的应该是达到了144 s。
数据集共包含了9类，分别为：
正常（Normal）
心房颤动（Atrial fibrillation，AF）
I度房室阻滞（First-degree atrioventricular block，I-AVB）
左束支阻滞（Left bundle branch block，LBBB）
右束支阻滞（Right bundle branch block，RBBB）
房性早搏（Premature atrial contraction，PAC）
室性早搏（Premature ventricular contraction，PVC）
ST段降低（ST-segment depression，STD）
ST段抬升（ST-segment elevated，STE）

==数据预处理

1.信息与数据分离：每个记录的.mat文件包含的并非是一个单纯的矩阵，而是一个数据结构体，除了信号本身，还有年龄和性别信息。将信号和年龄性别信息分开处理。年龄性别信息另存为.csv文件：info_age_gen.csv文件为年龄性别信息。
2.降采样：将采样率为500 Hz的每条信号，降采样至250 Hz。后面的算法均是基于Python平台，所以这里另保存为Numpy的.npy格式：DataSet_250Hz文件夹下存放每个个体的.npy文件（每条记录，即数据）
**3.滤波：**采用文献：Martis R J, Acharya U R, Min L C. ECG beat classification using PCA, LDA, ICA and discrete wavelet transform [J].Biomedical Signal Processing and Control, 2013, 8(5): 437-448. 中所采用的滤波方法，使用db6小波对信号进行9级小波分解，去除D1，D2，A9分量，使用剩下的分量进行重构，得到滤波后的信号。
4.数据集平衡：
用过采样的方法减轻数据不平衡带来的影响：以样本数最多的类别为基准：
若最大的类别样本数是某一类的2倍及以上，则对这一类直接复制相应的倍数；
若最大样本数比某一类超出不足1倍，则在该类中随机抽取所差的样本数补齐。过采样仅在训练集和验证集中进行，调参也是以过采样后的平衡验证集表现为参考。

==实验过程

**总体框架：**采用CNN和RNN（双向LSTM）的混合网络，对每一个导联都搭建一个对应的模型训练，最终再进行综合。
1.数据（每条记录）切片方式：CPSC-2018数据库中，最短的记录有6 s，最长的有144 s，最长是最短的24倍。
对于每条记录统一切取24个片段，每条片段的长度为6s。
因此最长的144 s的记录可以比较正常的，片段之间无重叠地切取，其他长度的记录的片段与片段之间都需要重叠才能满足条件，就像下图所示：

具体重叠的采样点长度，可以根据公式计算，设采样率为fs = 250 Hz，记录实际长度为L， 需要切取的片段数为n = 24，每片长度为l = 6 s则片段之间的重叠长度ol为：

若记录长度就是6 s，则可以选择直接复制24次，当然，还可以在信号长度后延拓24-1个点，使得上式有意义。每条记录就被处理成了同样形式的24 * 6s片段组。同时，除了极少数极端短记录存在很小的人为延拓外，其他都尽量保持了原有的数据信息。
**网络结构：**用24个独立的1维卷积（与池化）层组合处理24个片段。24个片段是按照记录的时间顺序切取的，片段之间存在时间序列特性。然后使用双向LSTM汇总，强化这种时间序列特性。再级联一个全连接层输出最后的分类结果。
具体网络结构如下图所示：

一条记录的24个片段，作为一个整体，输入到不同的24个1维的CNN结构，每个CNN结构处理的是一个6s的局部片段，有利于增强其对局部特征的感知，最终24个分支由一个双向LSTM强化它们之间的时间序列属性，然后由全连接层输出其最终的结果。
由于片段之间一般互有覆盖，信息存在冗余，为减轻这种情况，在CNN与双向LSTM之间增加dropout，减轻过拟合，提升泛化能力，而keep_prob按照经验值设为0.5。
整个网络基于keras（TensorFlow as backend）搭建, 采用SGD + Momentum的方法进行训练。

人工HRV特征提取与模型融合

基于QRS波定位便可轻易得到的RR间期，进行心率变异性（Heart Rate Variability，HRV）分析是一个足够鲁棒的选择，同时，HRV分析在房颤，早搏等异常诊断上也常有应用，也有其相应的医学意义。
使用CNN自动学习特征的长处在于局部细节特征的提取，而HRV分析中的特征，例如计算RR间期的标准差，是一个典型的统计特征，CNN对类似的特征并未有特殊的设计，因此在深度学习网络基础上，补充一些HRV特征，或是跟RR间期相关的统计特征，能形成比较良好的互补。因此引入了以下特征：所有导联是同时采集的，在时间上是完全平行的，所以以下特征均以II导联为基准：
1.RR间期标准差
2.最大RR间期
3.最小RR间期
4.平均RR间期
5.pNN50:相邻RR间期差距大于50ms的比率
6.R波密度：R波个数/记录长度
7.RMSSD：相邻RR间期差值的均方根
8.RR间期的采样熵：衡量RR间期变化混乱度（2）
数据库也提供了每条记录所属个体的年龄和性别，这里也把这2个特征引入进来（共9+2=11个特征）

==模型融合

对于每个12导联记录，现在我们得到了12个针对每个导联的深度学习模型，以及相应的人工特征。我们使用12个网络得到12组-9类别softmax概率，取前8个概率（由于所有概率相加为1，因此取8个就足够表示），共12*8=96个数值作为特征；加上我们的人工特征9+2=11个（根据参数设定，采样熵最终有两个返回值），得到107维特征。
基于这样的特征组合，再训练一个各类算法竞赛中大名鼎鼎的XGBoost，融合以上所有信息，得到最后的结果。同样，XGBoost的调参也仅针对平衡后的验证集进行。

==总结

信号切片代码存于CPSC_utils.py
网络结构实现和人工特征设计代码存于CPSC_model.py，单导联网络训练存于CPSC_train_single_lead.py
所有导联网络训练存于CPSC_train_multi_leads.py
人工特征的处理存于CPSC_extract_features.py
最终的融合存于CPSC_mix.py。