基于注意力深度残差网络集成的心电异常自动检测
机器学习
2019-08-28 v1 信号处理
机器学习
摘要
心脏病是导致发病与死亡的最常见疾病之一。心电图（ECG）因其简便、无创的特性已被广泛用于心脏病诊断。自动 ECG 分析技术有望减轻人力负荷并提升诊断效能。然而，要实现该目标仍存在一些待解决的挑战。本研究开发了一种从 12 导联 ECG 记录中识别多种异常的算法。在算法流程中，首先应用若干预处理方法对 ECG 数据进行去噪、增广并平衡各类别记录数。考虑到数据长度的效率与一致性，将记录填充或截断至中等长度，其中填充/截断时间窗随机选取以抑制过拟合。随后，利用 ECG 训练具有结合深度残差网络与注意力机制新颖结构的深度神经网络（DNN）模型。最后，基于这些训练好的模型构建集成模型，对测试数据集进行预测。我们的方法基于首届中国 ECG 智能竞赛数据集的测试集，采用被视为精确率与召回率调和平均的 F1 指标进行评估。算法所得总体 F1 分数为 0.875，展现出良好的性能与应用潜力。
引用
@article{arxiv.1908.10088,
title = {Automatic Detection of ECG Abnormalities by using an Ensemble of Deep Residual Networks with Attention},
author = {Yang Liu and Runnan He and Kuanquan Wang and Qince Li and Qiang Sun and Na Zhao and Henggui Zhang},
journal= {arXiv preprint arXiv:1908.10088},
year = {2019}
}
备注
8 pages, 2 figures, conference