- 博客(4)
- 收藏
- 关注
RSS订阅原创 Andrew Y. Ng式ResNet在MIT-BIH上的Inter-Patient分类实现（4）
结果分析 话不多说，直接上结果。由于网络本身具有随机性，因此每次的结果也会有些许差异。根据我的实验，一般测试准确率会维持在85%左右，好的时候可以到86%，87%以上。这里我选择了一个整体表现较好的模型（myNet.h5可直接载入），总体准确率为86.41%，混淆矩阵如下：除此之外，论文中也习惯用各类的敏感度(Se)和正预测率（P+）来衡量表现。汇总如下：N: Se ...
2019-03-20 20:44:41
5165
21
原创 Andrew Y. Ng式ResNet在MIT-BIH上的Inter-Patient分类实现（3）
网络搭建 正如我们前面所说的，原文中所使用的网络并没有什么特别新奇之处，与经典的ResNet-34架构很类似。不过这里的网络使用了更大的，长度为16的一维卷积核，而原ResNet用于二维图像分类，则倾向于使用尺寸为3×3的小卷积核。个人认为这种尺寸上的不同主要还是源于ECG信号和图像数据的本质不同。一般直接输入网络的图像分辨率较低，哪怕在感受野最小时，3×3的区域也很有可能包含了具...
2019-03-20 20:44:16
4798
原创 Andrew Y. Ng式ResNet在MIT-BIH上的Inter-Patient分类实现（2）
数据处理 目前大部分的文章均是基于心拍的分类。这样做在理论上本身没什么问题，因为数据库中的标签就是针对每个心拍给出的。但是在具体操作中，心拍的定位要么直接使用了数据库中的人工位置标记，这样在实际应用中等同于加入人工干预，自动化程度不够；要么使用一些经典的QRS波检测算法，如Pan-Tompkins算法，而这样的定位方式依赖于QRS检测算法的准确度。鉴于目前QRS波检测算法动辄99%...
2019-03-20 20:43:56
7603
19
原创 Andrew Y. Ng式ResNet在MIT-BIH上的Inter-Patient分类实现（1）
相信不少人已经早就看过了吴恩达（Andrew Y. Ng）大佬发表在Nature Medicine上的ECG诊断算法方案。深度学习网络一举打败了经验丰富的心血管疾病专家，在常见的12种ECG正常或异常判定中的F1达到了0.837，而参与实验的6位医生的平均F1却仅有0.780。对这样的结果，当然可以有所质疑，毕竟这几位医生可能并不能代表人类的诊断水平，不过这确实再一次反映了深度学习的...
2019-03-20 20:43:28
7362
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人