基于深度学习的ECG论文笔记(一)

   写这个论文笔记，主要是想记录一下自己看的论文，把创新点什么的记录一下，以便以后查阅。我的方向是ECG检测心律不齐，用的方法是深度学习，主要的数据库是MIT。

1.Automated ECG Classification Using Dual Heartbeat Coupling Based on Convolutional Neural Network(链接:https://ieeexplore.ieee.org/document/8356203)
这篇是将每条ECG切成heartbeat，然后转换为2-D耦合矩阵（转换图如下），在把数据放入二维CNN之前，对数据预先进行了筛选（主要针对S类），筛选的原因是S跟N比较容易混淆，所以会选出比较representive 的S。数据库方面也是分成了通常的两个集合DS1，DS2，去掉102,104,107,217这四条包含paced heartbeats的记录，采用patient-specific(即在训练集里面加入测试集记录的前5分钟)，这篇文章性能提升主要表现在S跟V这两类的准确率上。


2 Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network(链接:https://www.sciencedirect.com/science/article/pii/S0020025517306539)
这篇论文用的11层的CNN，将ECG信号分别切成2秒段跟5秒段，分类不是我们常说的AAAI规定的五类，而是N，V，Aflb，Afl这四类，用了小波变换进行预处理，10-fold交叉验证，用了三个数据库，网络结构跟数据库使用情况如下图，作者有一系列这类的文章，我大致看了下，感觉都是类似的处理方式，文章最后总结的时候，都会依次列举出本文的优缺点，而且对于网络的结构，实验的具体细节都描述的很详尽，但是我个人认为创新性不大，主要是对于多个数据库，或者针对某一类疾病进行分类。


3.A robust deep convolutional neural network with batch-weighted loss for heartbeat classification(链接:https://www.sciencedirect.com/science/article/pii/S0957417418308054?via%3Dihub)
这篇论文主要是提出MITDB数据库中五类的样本不平衡问题，用的网络结构类似于Resnet,使用batch-weighted的形式对loss加以改进，降低样本不平衡的影响，也对是否进行batch-weighted进行了对比实验，同时这篇是inter-patient，10-fold 交叉验证，对于输入，因为现在越来越多的文献表示，单单提取一个heartbeat是不太科学的，所以这篇文章在QRS波提取的基础上，分别提取一个heartbeat，两个heartbeat，和三个heartbeat进行了对比实验。