论文阅读：seq2seq在心律不齐分类中的应用

1.论文

Inter- and Intra-Patient ECG Heartbeat Classification For Arrhythmia Detection: A Sequence to Sequence Deep Learning Approach

2.github代码

3.论文整理

方法

A.预处理

• 输入为一段ECG信号，输入前先归一化到0-1；
• 在MIT-BIH心律失常数据库中根据ECG注释文件的R峰找到相关的t波。
• 根据t波将整段的ECG信号切分，并根据标注文件给每个部分添加标注。
• 调整长度-将其固定为280个点

B.网络架构

如下图Fig 1，跟机器翻译的seq2seq差不多，这里没有词嵌入，取而代之是一个用于提取特征的CNN。

CNN

由三个连续的一维卷积层组成：

• 第一层：32个2x1，步长=1的卷积核+ReLU+max pooling 2x1，步长=1
• 第二层：64个2x1，步长=1的卷积核+ReLU+max pooling 2x1，步长=1
• 第二层：128个2x1，步长=1的卷积核+ReLU+max pooling 2x1，步长=1
  

encoder和decoder

使用BiRNN单元搭建encoder；
LSTM单元搭建decoder。
目标输入是一个有开头为偏移的特征向量，它只用于训练阶段。

实验验证

使用SMOTE平衡数据；
对4个类别的心脏周期进行分类：

考虑两个方案：
（1）不同个体的ECG

类别	N	S	V	F	总数
数量	90494	2777	7217	802	101290

（2）相同个体不同的时间录的ECG

• 训练集

类别	N	S	V	总数
数量	45796	941	3780	-

• 测试集

类别	N	S	V	总数
数量	44196	1836	3216	-

两个案例中都使用SMOTE平衡类别少的数据。
评估标准：sensitivity (SEN), positive predictive value (PPV), specificity (SPEC) (1 - False Positive Rate (FPR)) and accuracy(Acc)

最终结果如下，几乎各项指标都由于其他的论文。另外模型的最大也只有5MB。

个人观点：
（1）STOME平衡数据集需要进一步了解。
（2）模型架构方面没有原创的东西，但是在工程实践中能取得很好效果并落地，是个不错的选择。
（3）在其他的数据集的效果不清楚怎么样。