（四十七：2021.08.25）《ENCASE：使用专业特征和深度卷积网络相结合来对ECG进行分类》

Using Expert Features and Deep Neural Networks）》)

讲在前面

• 一.笔者最近来搞心电信号了，当前算法框架就参考的这篇论文，来钻研一下这篇论文。说真的，搞ecg的人真的太少了；
• 二.我设计了几种字体颜色用于更加醒目地表现关键的思想和主题：
  • 红色表示尚未理解透彻的一些概念
  • 蓝色表示对原来的理解做的一些修改或补充
  • 绿色表示此处需要参考的论文其他部分
  • 橙色表示本文的重要关键字
  • 紫色表示后续更新的内容
  • 我会用删除线将自己曾经不到位的理解进行删除

摘要

我们提出了一种专家特征和DNNs相结合的方法，用于ECG信号分类。这是我们第一次从数据领域去探索和改进专家特征。然后，我们会创建深度神经网络来提取特征。另外，我们提出了一个新的算法，这个新的算法可以找到长ECG信号中最具有代表性的波（中心波）。最后，我们把这些特征组合在一起然后放进一个综合分类器，经过实验，四分类器得出$F1=0.84$ 的分数，比单模型的性能要好的多。

1.介绍

ECG是一个常用的非介入性的可以反映心脏生物特征的测量工具。一个典型的12导联的300HzECG检测仪可以对每个病人产生上亿个点。分析大量的ECG数据能够帮助医生发现各种心脏疾病：比如房颤、心肌梗塞和急性低血压等等。
现在已经有很多研究提出了各种各样的特征，同时能实现很高的测量精度【1,2,3,4】。这些特征都和领域知识相关密切，所以我们叫它专家特征。最近，DNNs已经在图像等各个领域实现SOTA。一些使用DNNs来进行ECG分类的也有好的结果【5,6】。但是将两者结合起来进行分类的方法却很少。
在这片论文中，我们提出了ENCASE，一种将各种特征进行结合的方法。在如此多的论文中，我们是第一次提出使用这种两者相结合的方法。这些特征粗略分为三个部分：

• 1.数据特征；
• 2.信号处理特征；
• 3.医学特征。

然后，我们创建DNNs来自动提取深度特征，我们在训练集上预训练了一个DNNs的模型，然后把测试集输入神经网络来获取到他最后一层隐藏层的特征，作为深度特征。另外，我们提出了一个新的算法来找中心波（一个病人的ECG波形中最具有代表性的波）。然后从中心波中提取特征。最后，我们将专家特征、深度特征和中心波特征结合在一起，训练几个gradient decision boosting tree classifiers，并且把这些相结合来输出预测值。得出了 F