MLBF网络：一种用于12导联心电图多类别心律失常分类的多导联分支融合网络

MLBF-Net: A Multi-Lead-Branch Fusion Network for Multi-Class Arrhythmia Classification Using 12-Lead ECG
原文链接：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7963211/pdf/jtehm-liu-3064675.pdf

摘要：
利用12导联心电图（ECG）信号自动检测心律失常在心血管疾病的早期预防和诊断中起着至关重要的作用。
在以往的心律失常自动检测研究中，大多数方法都是将12导联的心电信号串联成一个矩阵，然后将该矩阵输入到各种特征抽取器或深层神经网络中提取有用信息。在这样的框架下，这些方法能够提取12导联心电图的综合特征（称为完整性），因为每个导联的信息在训练期间相互作用。
然而，12导联中不同的导联特异性特征（称为多样性）被忽视，导致12导联心电图的信息学习不足。为了最大限度地实现多导联心电图的信息学习，需要考虑完整的综合特征和多样的导联特征的信息融合。
本文提出了一种新的多导联分支融合网络（MLBF-Net）架构，通过多个loss的集成优化来联合学习多导联心电图的多样性和完整性，从而实现心律失常分类。
MLBF网络由三部分组成：
1）用于学习多导联心电图多样性的多导联特定分支；
2） 交叉导联特征融合通过连接所有分支的输出特征图来学习多导联心电图的完整性；
3） 所有分支和级联网络的多损耗协同优化。
效果：
2018年中国生理信号挑战赛上展示了我们的MLBF网络，这是一个开放的12导联心电图数据集。实验结果表明，MLBF网络的F1平均得分为0.855，达到了最高的心律失常分类性能。该方法从信息融合的角度为多导联心电图分析提供了一个有前途的解决方案。
网络框架：

这个网络，简单来说就是将每个导联分别使用一个网络进行encode，（编码网络包括，卷积网络、BIGRU、Attention）然后分别计算每个导联产生的loss，最后再集成起来得到第13个loss。最后根据这13个loss进行联合优化。
将三类网络展开：
卷积网络没啥说的，就是几个卷积层加上LeakyReLU作为激活函数；
BIGRU：
GRU[35]和LSTM[36]是RNN的进化实现。作者之所以选择GRU，是因为它的性能与LSTM相似，但计算复杂度较低。如图2所示，双向GRU由前向GRU和后向GRU组成，前向GRU和后向GRU分别在时间和反时间方向上读取时间序列特征图。在时间t，前向GRU将fcnn的信息从1聚合到t，后向GRU将fcnn的信息从t聚合到t。在该模型中，t等于469，这是fcnn的时间长度。双向GRU将来自两个相反方向的特征合并以获得上下文信息。请注意，我们通过串联操作实现合并，总结以时间t为中心的特征。在我们的实验中，双向GRU层的单元数被配置为12，这意味着每个时间步的维数是12。

注意力：

特征融合部分：
直接将BIGRU输出的特征，按照通道轴拼接到一起，然后再计算第13个Loss（Lc）（未拼接前，每个导联独立计算得到一个Loss）

然后将这13个Loss，按照这个公式进行组合；

式中，λ是一个平衡参数，用于确定多样性和完整性之间的重要性比，在作者的实验中设置为1。Lc和Lj分别是级联网络和第j分支的交叉熵损失。

实验对比结果：
CPSC 2018数据集：

PTB-XL数据集

结论：
本文，提出了一种新的端到端多导联分支融合网络（MLBF网络），用于使用12导联心电图记录进行心电图分类。MLBF网络充分利用多导联ECG的多样性和完整性，通过集成多个损耗来优化导联特定功能，并协同综合12导联功能。作者证明，我们的MLBF网络在2018年中国生理信号挑战赛上达到了最高的心律失常分类性能，这是一个开放的12导联心电图数据集。此外，与许多现有的深度神经网络相比，MLBF网络是一种参数有效的模型，尽管具有多分支结构，但不太容易过度拟合。该模型具有筛选能力强、重量轻的优点。因此，它在临床应用和日常监测中具有潜在的应用价值。

参考文献：
“MLBF-Net: A Multi-Lead-Branch Fusion Network for Multi-Class Arrhythmia Classification Using 12-Lead ECG,” IEEE J Transl Eng Health Med, vol. 9, p. 1900211, Mar. 2021.