【论文阅读笔记】Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable

笔记】Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable"/>

【论文阅读笔记】Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable

论文阅读：Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length

一、摘要

文章提出了一种结合卷积神经网络（CNN）和长短时记忆网络（LSTM）的模型，用于正常心律、左束支传导阻滞（LBBB），右束支传导阻滞（RBBB），房性早搏（APB）和室性早搏（PVC）五类识别分类。新颖之处在于系统在处理可变长度数据方面表现很高的分类性能，采用十倍交叉验证实现98.1%的准确率、97.5%的灵敏度、98.7的特异性。

二、数据

从MIT-BIH心律失常数据库中提取ECG片段，仅使用了从改良肢体导联II获得的信号，分割过程是通过将不间断的心律失常节拍序列分配到相应的心律失常组来完成的。每个节段只有一个ECG节拍类型，第一个R峰左侧有99个样本，最后一个识别的不间断R峰右侧有160个样本。长度范围如下：

片段之间的样本长度变化有时非常大。为了使模型的输入长度标准化并减少任何不必要的训练时间，将较长的片段从末尾任意截断为每个样本1000个。少于1000个样本的片段用零填充。这使后续层的LSTM信元能够以更快的速率训练，而不必为较短长度的信号迭代经过填充零的长段。总共2963个段被截断，并且13535个段用零填充。
运用z-score归一化，以加快训练过程。

三、方法

** 1.混合的CNN-LSTM模型，如下图所示**

所提出的模型由步幅为1的三个卷积层组成。每个卷积运算都是通过一次跨输入向量的核移动一个样本来执行的，其中乘以叠加矩阵。在训练过程中，卷积核k 的权重网络会不断对其进行调整，以获取数据中存在的有意义的空间信息。在此工作中，将执行完全卷积，而不是有效的卷积。这是因为较短的段已经用零填充了。另外，为了保持零填充的完整性，在卷积操作期间不添加任何偏置。因此，来自卷积层的零填充序列的输出仍将被视为零。为了将输入表示的大小减小一半，在每个卷积层之后，将具有不重叠步幅的大小为2的最大合并过滤器应用于特征图。
随后使用LSTM层从这些特征图中提取时间信息。从卷积和合并过程中提取的特征被分解成连续的分量，并馈送到重复的LSTM单元进行时间分析。然后，仅将LSTM最后一步的输出输入到完全连接的层中，以进行心律失常预测。

2.十折交叉验证

在每一折中，使用Xavier（也称为Glorot）算法重新初始化来自网络的权重[ 45 ]，然后使用反向传播算法（批量大小为10）端对端训练模型150个epoch。学习率（η）设置为0.001，并与Adam优化器配合使用以加速网络的学习过程。在更新过程中也会应用加权损失，以解决类不平衡问题。根据准确度（Acc），敏感性（Sens），特异性（Spec）和阳性预测值（PPV）评估每折的性能。

四、结果

采用了三种方案，第一种是没有任何dropout的实验参考组。方案A，20%的LSTM层的循环连接和输入连接被删除。方案B，20%的LSTM循环连接和20%的两个完全连接层被删除。
训练和验证的准确度曲线如下

可以看出不采用dropout会发生过拟合现象，总体结果如下

五、讨论

文章采用了端到端的深度学习模型，不需要人工提取特征，自动化程度很高，不需要噪声过滤，特征提取和选择技术，可以处理不同长度的ECG信号片段。
缺陷：
1.要求检测到该片段的第一个R峰
2.佳定每一个ECG都会有一种心律失常（而现实中ECG信号可能包含多种类型的心律不齐）
3.该算法在从正常ECG片段中检测APB方面不可靠
4.模型是计算密集型的，学习速度较慢
5.可变长数据的可用性有限