MLBF-Net: A Multi-Lead-Branch Fusion Network for Multi-Class Arrhythmia Classification Using 12-Lead ECG
原文連結：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7963211/pdf/jtehm-liu-3064675.pdf
摘要：
利用12導聯心電圖（ECG）信号自動檢測心律失常在心血管疾病的早期預防和診斷中起着至關重要的作用。
在以往的心律失常自動檢測研究中，大多數方法都是将12導聯的心電信号串聯成一個矩陣，然後将該矩陣輸入到各種特征抽取器或深層神經網絡中提取有用資訊。在這樣的架構下，這些方法能夠提取12導聯心電圖的綜合特征（稱為完整性），因為每個導聯的資訊在訓練期間互相作用。
然而，12導聯中不同的導聯特異性特征（稱為多樣性）被忽視，導緻12導聯心電圖的資訊學習不足。為了最大限度地實作多導聯心電圖的資訊學習，需要考慮完整的綜合特征和多樣的導聯特征的資訊融合。
本文提出了一種新的多導聯分支融合網絡（MLBF-Net）架構，通過多個loss的內建優化來聯合學習多導聯心電圖的多樣性和完整性，進而實作心律失常分類。
MLBF網絡由三部分組成：
1）用于學習多導聯心電圖多樣性的多導聯特定分支；
2） 交叉導聯特征融合通過連接配接所有分支的輸出特征圖來學習多導聯心電圖的完整性；
3） 所有分支和級聯網絡的多損耗協同優化。
效果：
2018年中國生理信号挑戰賽上展示了我們的MLBF網絡，這是一個開放的12導聯心電圖資料集。實驗結果表明，MLBF網絡的F1平均得分為0.855，達到了最高的心律失常分類性能。該方法從資訊融合的角度為多導聯心電圖分析提供了一個有前途的解決方案。
網絡架構：
這個網絡，簡單來說就是将每個導聯分别使用一個網絡進行encode，（編碼網絡包括，卷積網絡、BIGRU、Attention）然後分别計算每個導聯産生的loss，最後再內建起來得到第13個loss。最後根據這13個loss進行聯合優化。
将三類網絡展開：
卷積網絡沒啥說的，就是幾個卷積層加上LeakyReLU作為激活函數；
BIGRU：
GRU[35]和LSTM[36]是RNN的進化實作。作者之是以選擇GRU，是因為它的性能與LSTM相似，但計算複雜度較低。如圖2所示，雙向GRU由前向GRU和後向GRU組成，前向GRU和後向GRU分别在時間和反時間方向上讀取時間序列特征圖。在時間t，前向GRU将fcnn的資訊從1聚合到t，後向GRU将fcnn的資訊從t聚合到t。在該模型中，t等于469，這是fcnn的時間長度。雙向GRU将來自兩個相反方向的特征合并以獲得上下文資訊。請注意，我們通過串聯操作實作合并，總結以時間t為中心的特征。在我們的實驗中，雙向GRU層的單元數被配置為12，這意味着每個時間步的維數是12。
注意力：
特征融合部分：
直接将BIGRU輸出的特征，按照通道軸拼接到一起，然後再計算第13個Loss（Lc）（未拼接前，每個導聯獨立計算得到一個Loss）
然後将這13個Loss，按照這個公式進行組合；
式中，λ是一個平衡參數，用于确定多樣性和完整性之間的重要性比，在作者的實驗中設定為1。Lc和Lj分别是級聯網絡和第j分支的交叉熵損失。