论文阅读笔记（4-1）---基于深度神经网络的动态心电图心律不齐检测与分类

原文链接

研究背景

DNN能够从原始输入数据中识别模式和学习有用的特征，而不需要大量的数据预处理、特征提取或手工规则，因此特别适合解释ECG数据。此外DNN的性能随着训练数据量的增加而增加，因此这种方法能很好利用ECG数据的广泛性。

还没有一个全面的评估关于是否可以利用端到端的深度学习方法来对原始心电图数据进行分类。以前将DNN用于ECG解释的大部分工作只集中在处理上的某个方面，如降噪、特征提取或者类型有限的诊断任务。

数据的缺乏限制了工作的进行，大多数先前的研究使用了MIT-BIH心律失常数据库中的数据，该数据库的病人数量少，并且心律类型有限。

研究内容

数据集

自己构建了一个大的新的数据集，数据集的标签由专家注释。数据集来自53549个病人的91232个心电图数据作为训练集。在一个测试数据集上验证了DNN，该数据集从328名独特患者中收集了328个心电图作为测试集。

实验结果

数据集设置了两种类型的训练。
sequence是每256个输入样本（大约每1.3s）进行一次算法预测，并以相同的间隔与金标准委员会的共识进行比较。序列水平AUC预测的n=7544。
set是30秒记录中存在的唯一算法预测集合。集合AUC预测n=328。
sequence级别的度量有助于捕获心律失常的持续时间，例如记录中心律失常的发生和偏移，而set级别的度量只关注心律类别的存在。

如表1所示，DNN在所有节律类别中的AUC均大于0.91；在序列水平上，除一个AUC外，其他所有AUC均大于0.97。分类加权平均AUC在序列水平为0.978，在设定水平为0.977。模型对于典型的心律失常的AUC更高。
使用心脏病委员会标签作为金标准，我们比较了DNN算法F1得分与心脏病专家的平均F1得分。DNN的F1平均得分（0.837）高于心脏病专家的平均F1得分（0.780）。DNN的F1得分趋势与心脏专家的平均F1得分趋势一致。
为了对sensitivity进行分析，从训练集当中选择10%作为发展数据集（n=0.8761），其中发展数据集的AUC和F1得分均与测试数据集基本相同甚至更高，这个数据集的标注由认证的心电图技术人员标注。

图1显示了三种典型类别中模型和专家的ROC曲线和PR曲线，可以看到模型达到甚至超过了所有心律类别的心脏病专家平均水平。

由表2可以看出，将特异性固定在心脏病专家达到的平均特异性水平上，DNN的灵敏度超过了所有心律类别的平均心脏病专家的灵敏度。

图2利用混淆矩阵对比了DNN预测结果和心脏病专家结果。每个类别中所有可能记录的百分比以颜色渐变刻度显示，两种混淆矩阵表现出相似的模式。

最后为了验证DNN结构对外部数据的通用性，将DNN模型应用于2017年生理信号挑战赛数据上，证明了端到端DNN方法能够在不同数据集上推广。

研究讨论

研究贡献

• 这项研究证明了端到端的DNN方法是可以用来提高ECG解释算法的准确性。
• 近来的研究表明随着可用数据的增加，算法的性能也会提高。我们的研究保证为端到端深度学习方法提供足够大的数据集。
• 这项研究为自动心电图诊断提供了一个新的模式。标准的自动心电图解释通常由信号预处理，特征提取，特征选择和分类及部分组成。而DNN可以接受原始ECG数据，并直接输出诊断概率。有了足够多的训练数据，以这种房室使用DNN就有可能以数据驱动的房室学习所有手工特征或者尚未识别的特征，从而改进预测性能。
• 研究方法的独特之处在于，以端到端的方式使用34层网络来同时输出不同节奏诊断的概率。数据集比大多数数据集大出几个数据级，并且与其他DNN方法相比，没有对ECG数据进行实质性预处理。
• 研究中得出的重要发现是，DNN似乎可以概括心脏病专家的错误分类，正如模型和心脏病专家在混淆矩阵中的相似性所证明的那样。手动检查不一致之处后发现，DNN的错误分类总体看来非常合理。

研究局限性

• 输入数据集仅限于从动态监护仪获得的单导联心电图记录，与标准的12导联心电图相比，该信号提供的信号有限；至于算法在12导联心电图上的性能是否类似，还有待确定。
• 标签的正确性仍然具有不确定性。
• 为了在数据集中获得足够多的稀有心律类别，我们在数据提取过程中将患有这些疾病的患者作为目标，这意味着诸如F 1分数之类的与患病率相关的度量标准不会被推广到更广泛的人群。

接下来会对模型进行详细的分析，并尝试仿真实现。

网络搭建仿真实现