深度学习实验论文阅读笔记的撰写方法

一个pdf文件对应一个word文档

import os

path = 'E:\\论文'

for filename in os.listdir(path):
    filename = filename.replace(".pdf", "")
    docxname = path + "\\" + filename + '.docx'
    if filename in os.listdir(path):
        print("%s 已经存在" % docxname)
    else:
        file = open(docxname, 'w')
        file.close()

print("完成")

word文档内容

标题翻译：基于深度神经网络的心脏病学专家级别的心率不齐诊断和分类

代码Github链接：https://github.com/awni/ecg

时间：2019年

第一作者：Awni Y.Hannun（吴恩达团队）

网络模型、数据集、其他方法：
作者提出了一个使用深度卷积神经网络(Deep CNN)自动对住院病人ECG信号进行分类的Method，主要关注对Inter-patient arrhythmias的分类，最终达到的效果如下表所示，达到了与manual feature engineering同等的水平。

效果：
DNN在（ROC）下达到0.97的平均面积。DNN的平均F1评分为0.837，超过了普通心脏病学家（0.780）。DNN的敏感性超过了心脏病学家对所有节律类别的敏感度。

动机&创新点：
使用单导联心电图。准确率超过了医生的平均水平。

作者总结（不足、未来）&我的评价（思考、质疑）：
1、 局限性在于使用的是单导联心电图，而临床标准为12导联，本文的方法拓展到标准12导联ECG上是否能取得相似结果还有待确定，但单导联的优势是提供了较低的信噪比。
2、 既然医生存在错误率，那么医生对数据集的标注应该也存在错误率。那么超过医生诊断水平的说法是否准确？