《ENCASE：使用专业特征和深度卷积网络相结合来对ECG进行分类（ENCASE: an ENsemble ClASsifiEr for ECG Classification Using Expert Features and Deep Neural Networks）》

讲在前面
摘要
1.介绍
2.方法
- 2.1 数据描述和预处理
- 2.2 特征提取
- - 2.2.1 专家特征
  - 2.2.2 中心波
  - 2.2.3 深度特征
- 2.3 特征结合一起进行分类
- 2.4 改进
3.结果
- 3.1 特征重要性
- 3.2 性能
4.结论

Using Expert Features and Deep Neural Networks）》)

讲在前面

一.笔者最近来搞心电信号了，当前算法框架就参考的这篇论文，来钻研一下这篇论文。说真的，搞ecg的人真的太少了；
二.我设计了几种字体颜色用于更加醒目地表现关键的思想和主题：
- 红色表示尚未理解透彻的一些概念
- 蓝色表示对原来的理解做的一些修改或补充
- 绿色表示此处需要参考的论文其他部分
- 橙色表示本文的重要关键字
- 紫色表示后续更新的内容
- 我会用删除线将自己曾经不到位的理解进行删除

摘要

我们提出了一种专家特征和DNNs相结合的方法，用于ECG信号分类。这是我们第一次从数据领域去探索和改进专家特征。然后，我们会创建深度神经网络来提取特征。另外，我们提出了一个新的算法，这个新的算法可以找到长ECG信号中最具有代表性的波（中心波）。最后，我们把这些特征组合在一起然后放进一个综合分类器，经过实验，四分类器得出F1=0.84F1=0.84F1=0.84 的分数，比单模型的性能要好的多。

1.介绍

ECG是一个常用的非介入性的可以反映心脏生物特征的测量工具。一个典型的12导联的300HzECG检测仪可以对每个病人产生上亿个点。分析大量的ECG数据能够帮助医生发现各种心脏疾病：比如房颤、心肌梗塞和急性低血压等等。
现在已经有很多研究提出了各种各样的特征，同时能实现很高的测量精度【1,2,3,4】。这些特征都和领域知识相关密切，所以我们叫它专家特征。最近，DNNs已经在图像等各个领域实现SOTA。一些使用DNNs来进行ECG分类的也有好的结果【5,6】。但是将两者结合起来进行分类的方法却很少。
在这片论文中，我们提出了ENCASE，一种将各种特征进行结合的方法。在如此多的论文中，我们是第一次提出使用这种两者相结合的方法。这些特征粗略分为三个部分：

1.数据特征；
2.信号处理特征；
3.医学特征。

然后，我们创建DNNs来自动提取深度特征，我们在训练集上预训练了一个DNNs的模型，然后把测试集输入神经网络来获取到他最后一层隐藏层的特征，作为深度特征。另外，我们提出了一个新的算法来找中心波（一个病人的ECG波形中最具有代表性的波）。然后从中心波中提取特征。最后，我们将专家特征、深度特征和中心波特征结合在一起，训练几个gradient decision boosting tree classifiers，并且把这些相结合来输出预测值。得出了F1=0.84F1=0.84F1=0.84，比单模型的精度都要高。我们还在 XGBoost 【7】的帮助下报告了信息增益，这揭示了这些特征的重要性和可解释性。
ENCASE是一个通用且灵活的框架，它可以增量地添加特征，配备任何 DNN，并集成任何分类器。如果提供更多数据，它还可以检测更多类别的心脏病。因此，ENCASE 可用于现实世界的应用程序。

2.方法

2.1 数据描述和预处理

数据集包含了8528个短的I导联300Hz的record，长度从2700个点到18300个点不等。被标注成4个类别：正常窦性心律（N，5154个record）、房颤（A，771）、其他心率（O，2557）和噪声（P，46）。细节在【8】。
在特征提取之前我们把原始数据处理成下面五种：

1.长数据：我们用样本代码把数据直接读成时间序列进行保存；
2.短数据：使用样本代码中的Joachim Behar的QRS检测器，来把长数据切割成短的波，在Section2.4中会有对这个算法的介绍；
3.QRS数据：我们计算每个长数据中相邻连续QRS的间隙的长度；
4.中心波：每个长数据中的所有短数据中最具有代表性的波，细节会在Section2.2.2中介绍；
5.扩充数据：使用滑动窗口和步长获取更多数据。在这片论文中，我们的滑动窗口长度为6000，步长为了平衡数据均衡来自动选择。Section2.4介绍了细节。

2.2 特征提取

在这个部分，我们细节地介绍了三种特征提取器：专家特征、中心波特征和深度特征。

2.2.1 专家特征

有许多的研究人员在从ECG数据分析中提取特征，粗略的说可以分成以下三个部分：

数据特征：这些特征使用数据来对一个序列的ECG进行摘要，同时给出一些值来描述数据的一些特征。典型的数据包括：数目、均值、最大值、最小值、范围、方差、偏度、峰度、百分位等等；
信号处理特征：这些特征将ECG数据从时域转换到频域，然后提取频域相关特征。例如，可以首先实现FFT（快速傅立叶变换）或DWT（离散小波变换）。然后计算功率、频带功率、香农熵、SNR（信号噪声比）等。
医学特征：这些特征基于医学知识。一组特征基于QRS数据来计算变化。例如，【1】计算样本熵 (SampleEn)，【2】计算变异系数和密度直方图 (CDF)，【3】计算中值绝对偏差 (MAD) 的阈值，【4】计算心率变异性（Variability）。另一组特征计算基于 P、Q、R、S 和 T 波的统计量。我们遵循【9】中描述的波浪检测方法，然后从短数据和中心波中提取统计特征，如间隔、持续时间、幅度、位置、斜率和面积【10】。此外，我们还提出了一些有效的特征，如锯齿形（数据的匝数）、过零（交叉 y 轴的数量）、自相关（滞后从 1 到 12）。

2.2.2 中心波

在这一部分，我们介绍中心波——一位患者的短数据中最具代表性的波，并从中提取特征。提取这个波的原因来自两个方面。一方面，我们观察到一些错误分类的样本被噪声污染。由于心电图数据没有那么长，噪声滤波器不能很好地处理它。另一方面，有些类别是由波的形态控制的，而不是整体节奏。直接查找和分析代表性波会提供更好的性能。
我们通过三个步骤来找中心波：

Step1：对于每个患者，使用 DTW 距离计算他/她的短数据的成对距离矩阵【11】。由于每个短数据的长度不等。为了解决这个问题，我们使用计算不等长时间序列的距离。
Step2：使用频谱聚类【12】，根据距离矩阵将短波分成几个簇，其中波在簇内相似高，簇间相似度低；
Step3：找到最大聚类的中心，这可以通过将聚类的距离矩阵视为图形来完成，其中节点表示短波，边表示短波之间的距离。然后我们找到图中心——离其他节点最近的节点，这意味着这个短数据是所有短数据中最具代表性的波。然后我们在中心波上提取统计特征和医学特征。详细信息可在Section2.2.1中找到。此外，我们还将中心波的原始值视为特征。然而，这些中心波的长度不同。为了解决这个问题，我们通过线性插值对它们重新采样。在我们的实验中，我们将所有中心波重新采样到 200 个点。

2.2.3 深度特征

最近的很多工作【5，6】证明了DNNs在ECG分类上的可用性，通过1d卷积来自动整合和提取层次特征【13】。但是，这些DNNs模型都是端到端的，很难用专家特征来进行增强。为了我们的模型可以从专家特征和深度特征中都受益，我们把DNNs用做一种特征提取器。说的详细一点就是，我们移除了输出层，同时提取最后一个隐藏层的值作为特征。这种变换是任何DNNs中都可以使用的。因此我们能够专注于深度特征提取器的结构。
第一个深度特征提取器是基于深度残差卷积网络【6】，在扩展数据上进行训练的（看Section2.1）。我们想要堆叠更多的层提取多视图和更精确的特征【14】。我们通过加一个双向LSTM层来为结果投票【6】。结构如下：

第二个深度特征提取器是基于RNN的，使用中心波进行训练。尤其要说的是，我们使用LSTM的cell作为RNN的cell。除了用CNN来进行层次特征提取外，我们也要去提取时序相关特征，这能被RNN进行处理。我们把中心波作为输入（少于600个点），因为长的数据对于RNN来说太长了。结构如下所示：

2.3 特征结合一起进行分类

现在我们有了专家特征、中心波特征和深度特征。我们将三部分特征向量连接成一个组合特征向量，训练几个单独的分类器，并通过平均预测概率将它们集成起来。
已经表明，集成分类器通常比组成它们的单个分类器准确得多【15】。我们还选择 XGBoost【7】（决策树的极限梯度提升）作为单独的分类器。 XGBoost 在众多数据挖掘大赛中得到验证，性能更佳、更稳定。

2.4 改进

下面是一些可以进一步改进ENCASE性能的重要手段。

递归QRS检测器：在原始QRS检测器中有两个关键参数：
- THRES：检测器的能量阈值；
- REF_PERIOD：两个RR峰之间的难控制时期。
原始的QRS检测器有时会分出几个并没有分开的连续的QRS，为了解决这个问题，我们将THRES 和 REF PERIOD 乘以 0.68，每次算法输出超过 600（两倍采样频率）的片段，并在未分割的长序列上应用新的 QRS 检测器。
动态过采样：给定的原始数据是不平衡的，标签 N 比其他标签多得多。我们建议动态过采样来处理这个问题。具体来说，当为深度特征提取器生成扩展数据时，我们对标签 O 使用小步幅，对标签 N 使用大步幅。这样修改后的扩展数据比原始数据更加平衡。修改后的扩展数据将训练更好的深度特征提取器。这里可以尝试用imbalance_sampler来进行处理，个人感觉单一修改步长会先一定问题。
模型评估和选择：典型的离线评估模式是将数据拆分为训练数据和测试数据，在训练数据上建立模型并在测试数据上进行评估。为了更准确地评估 ENCASE，我们使用 k 折交叉验证来迭代地拆分数据，并多次运行交叉验证。最终的平均 F1 分数会更可信。我们使用不同的设置构建多个 ENCASE 模型以选择最佳模型。最后的 ENCASE 集成了 5 个 XG-Boost，每个 XGBoost 有 3000 棵树，最大深度 = 9，最小子权重 = 3。

3.结果

在这个部分，我们会先比较不同特征的有效性，然后我们会评估4分类任务上的表现。

3.1 特征重要性

我们通过每个决策树中使用的平均信息增益来评估特征重要性，结果在下表：

我们可以看到专家提出的大多数统计特征和医学特征都是有效的。 CNN 和 RNN 的深度特征都非常有效，这一点不值一提，深度 CNN 特征在 Top-20 中甚至有 17 个。

3.2 性能

我们通过多次运行交叉验证来评估每种方法。测量值与 F1 分数相关详细信息可以在【8】中找到。结果如表4所示。在Features栏中，E代表专家特征，C代表中心波特征，D代表深度特征：

可以看到ENCASE比其他的表现要好，注意标签P太不平衡了所以结果很不稳定。更多的可信的结果应该是F1、FN、FA、FOF_1、F_N、F_A、F_OF1、FN、FA、FO。

4.结论

在本文中，我们提出了一个集成分类器 ENCASE，将专家特征、中心波特征和深度特征结合在一起进行 ECG 分类。 ENCASE 是一个灵活的框架，支持增量特征提取和分类器更新。实验表明 ENCASE 的性能优于其他方法。

（四十七：2021.08.25）《ENCASE：使用专业特征和深度卷积网络相结合来对ECG进行分类》相关推荐

吴恩达deeplearning.ai系列课程笔记+编程作业(11)第四课卷积神经网络-第二周深度卷积网络：实例探究（Deep convolutional models: case studies）
第四门课卷积神经网络(Convolutional Neural Networks) 第二周深度卷积网络:实例探究(Deep convolutional models: case studies) ...
2021.08.25学习内容torch.clamp(input, min, max, out=None) → Tensor，torch.mm（matrix multiply）
学习pytorch时,看到了mm和clamp,不甚理解,其他地方也看到过,所以具体了解一下前向传递:计算预测yh = x.mm(w1)h_relu = h.clamp(min=0) 把 h 张量的最 ...
（Deep learning）深度卷积网络实战——第四部分
2.10 数据增强(Data augmentation) 大部分的计算机视觉任务使用很多的数据,所以数据扩充是经常使用的一种技巧来提高计算机视觉系统的表现.我认为计算机视觉是一个相当复杂的工作,你需要 ...
（四十五：2021.08.05）《利用深度学习对ecg信号进行分割》
<Deep Learning for ECG Segmentation><利用深度学习对ecg信号进行分割> 讲在前面摘要 1. 介绍 2. 算法 2.1 预处理 2.2 神 ...
《安富莱嵌入式周报》第227期：2021.08.23--2021.08.29
往期周报汇总地址:http://www.armbbs.cn/forum.php?mod=forumdisplay&fid=12&filter=typeid&typeid=104 ...
（三十四：2021.01.12）MICCAI 2015 追踪之论文纲要
讲在前面 PART I.PART II和PART III. 论文目录 PART I Advanced MRI: Diffusion, fMRI, DCE(高级MRI:扩散,fMRI,DCE) 概要 1 ...
武汉大学计算机转专业2021,通知｜关于做好2021年普通本科生转专业工作的通知...
原标题:通知|关于做好2021年普通本科生转专业工作的通知各学院(系): 2021年普通本科学生转专业工作即将开始,为做好此项工作,现就有关事项通知如下: 一．学生转专业按照<普通高等学校学生 ...
Diabetes 糖尿病及其并发症.|2021/1/25（未完待续）
目录前言: 正文: ①宏观严重性: ②普遍状况:" 三多一少": ③定义 : ③胰岛素(Insulin,一种激素(harmone)) ④引出糖尿病病理: 1> 1-型糖尿病 ...
【Yolov5】1.认真总结6000字Yolov5保姆级教程（旧版本2021.08.03作为备份）
旧版本2021.08.03 新版本https://blog.csdn.net/m0_53392188/article/details/119334634 以作备份目录一.前言二.学 ...

（四十七：2021.08.25）《ENCASE：使用专业特征和深度卷积网络相结合来对ECG进行分类》