ECG分析:基于深度学习的ECG心律失常分类入门(4)

ECG分析:基于深度学习的ECG心律失常分类入门(4）

在搭建模型之前，讲一下本次任务需要区分的类别，MITAB根据心拍类型划分了14个小类：
在这里插入图片描述
也可以用wfdb查看：

wfdb.show_ann_labels()

label_store symbol                                    description
0             0                              Not an actual annotation
1             1      N                                    Normal beat
2             2      L                  Left bundle branch block beat
3             3      R                 Right bundle branch block beat
4             4      a                Aberrated atrial premature beat
5             5      V              Premature ventricular contraction
6             6      F          Fusion of ventricular and normal beat
7             7      J              Nodal (junctional) premature beat
8             8      A                   Atrial premature contraction
9             9      S     Premature or ectopic supraventricular beat
10           10      E                        Ventricular escape beat
11           11      j                 Nodal (junctional) escape beat
12           12      /                                     Paced beat
13           13      Q                            Unclassifiable beat
14           14      ~                          Signal quality change
16           16      |                     Isolated QRS-like artifact
18           18      s                                      ST change
19           19      T                                  T-wave change
20           20      *                                        Systole
21           21      D                                       Diastole
22           22      "                             Comment annotation
23           23      =                         Measurement annotation
24           24      p                                    P-wave peak
25           25      B              Left or right bundle branch block
26           26      ^                      Non-conducted pacer spike
27           27      t                                    T-wave peak
28           28      +                                  Rhythm change
29           29      u                                    U-wave peak
30           30      ?                                       Learning
31           31      !                       Ventricular flutter wave
32           32      [      Start of ventricular flutter/fibrillation
33           33      ]        End of ventricular flutter/fibrillation
34           34      e                             Atrial escape beat
35           35      n                   Supraventricular escape beat
36           36      @  Link to external data (aux_note contains URL)
37           37      x             Non-conducted P-wave (blocked APB)
38           38      f                Fusion of paced and normal beat
39           39      (                                 Waveform onset
40           40      )                                   Waveform end
41           41      r       R-on-T premature ventricular contraction

根据AAMI标准，这14个小类集成为5个大类(N, SVEB, VEB, F, Q):
在这里插入图片描述我们的任务也是基于对这5个大类开展的，所以在截取心拍的时候，就要根据标签类型，将样本归类：

#这是截取中间步骤的代码块
if label[j]=='A' or label[j]=='a' or label[j]=='J' or label[j]=='S':Seg=record[label_index[j]-144:label_index[j]+180]segment=resample(Seg,251, axis=0) #根据文章要求，重采样到251个点SVEB_Seg.append(segment)

到这里，心拍截取好了，也归类了。下面就是模型的搭建（这里就不再专门介绍卷积神经网络了，需要很长篇幅）直接开始模型搭建吧：
模型搭建
这个模型其实没什么新意的，2层卷积2层池化和3个全连接层，算是最入门的了，不过这里作者用了一个“多头”输入（笑cry…）3个输入都是同一条数据，只不过每一个分支设置的卷积核参数不一样，例如第一层的三个通道的卷积核尺寸分别是4，6，8，个人觉得这里没有使用图像处理中的3x3，1x1等更小卷积核，是因为我们的ECG是一个基于幅值的低频数据，小的感受野不一定能够包含一个较大范围的幅值变化，也就是较小的局部区域，很难构成特征性较强的波形。而为什么没有使用诸如16，32之类的大卷积核呢？因为我们的心拍本身就是一个短时间数据，过度关注整体上的变化而忽略了局部，所谓“过犹不及”，所以选择了三个中等大小的卷积核。总的来说，调参是一部分，还有一部分是要基于问题本身，从数据层面的分析，再到模型层面的分析。
在这里插入图片描述原本是324的心拍长度，看到这里的时候，输入是251，作者好像是没提，为了尽可能复现，在这里我就重采样到了251。
交叉验证
拿到文章的第一眼先看看作者做的是关于inter-patient，还是intra-patinet，（关于两种分类模式，推荐看我有一个师兄的博客inter-patient和intra-patienthttps://blog.csdn.net/qq_15746879/article/details/80487543，介绍得很清楚）
读到下面的流程图，一眼就看出来了(其实看最后的结果展示，也看得出来)：
在这里插入图片描述
这里，作者是先截取心拍，然后数据集划分，采用了三个不同折的交叉验证：

基于intra-patient的分类，完全不考虑个体差异性问题，训练集和测试集可以来自同一个病人，个体差异性带来的消极影响最小，实现难度很小，
很容易就可以达到很高的性能。所以，这里我只采用了5折交叉验证的例子（即Experiment3）