阅读ECG论文记录（二）

Automated Heartbeat Classification Exploiting Convolutional Neural Network With Channel-Wise Attention

创新点： ①提出了一种基于CNN的特定病人心跳分类方法。定制的神经网络提取不同接收场的多个空间特征和通道信息，提高分类性能。
    ②提出了一种记录内样本聚类方法，该方法有利于从数据库中选择具有代表性的训练节拍，高准确度，特别是对病理性搏动的检测
心拍分割： 数据库中标记的R峰的位置，从前一个R峰后的0.14s（50个点，采样率360）分割到下一个R峰前的0.14s
预处理： ①减少基线漂移：采用均值减（从每个点减去样本的平均值）来确保每个心跳段的值具有零均值
    ②考虑到不同的生理意义和波的可能叠加，每段心跳被分为三个子段（前QRS、QRS复合波和后QRS）。由于难以准确检测到QRS波群的边界，根据QRS波群的基本时间特征，将分离点分别设置为R峰前后的0.09s（采样率360的32个点）。QRS子段的长度是固定的（64），通过重采样将QRS子段的前QRS子段和后QRS子段缩放到与QRS子段相同的长度64。对两个心电通道进行预处理后，将64个长度的6个子段串接成独立的通道，形成1x64x6输入。

数据集： 训练数据集包含两个部分，一个是特定于受试者的部分（选择测试记录前5分钟的所有心跳），一个是公共部分（选择了DS1的245个代表性心跳，包括75个N心跳、75个SVeb心跳、75个VEB心跳、13个F心跳和7个Q心跳）并用K均值法对每个记录中的每个拍类（N、SVEB和VEB）进行聚类，并从每个聚类中随机选择一个样本，形成共同的训练集。


网络模型： 一个输入卷积（CONV）层、两个MRF-CA-R块、最后一个CONV层和一个输出全局平均池（GAP）层组成。间隙层的输出被馈送到产生网络预测结果的softmax层。mini-batch size=128


结果： 除平均准确度和特异度均在99%以上外，81%以上的SVEBs和95%以上的VEBs被正确检测，N拍检测的高准确率（99.4%），85%的F拍被正确检测，由于Q类由极少数的心跳组成，心脏病学家无法对其进行分类，因此提出的方法不能正确地对Q类进行分类。

不足&未来： 复杂的处理过程限制了其在可穿戴和移动设备中的应用潜力。将在不影响性能的前提下尽可能地简化这种方法，使用专用集成电路（ASIC）加速这种方法。