LSTM-Based ECG Classification for Continuous Monitoring on Personal Wearable Devices
代碼位址：http://lis.ee.sharif.edu/pub/2020_jbhi_soh/
摘要：
提出了一種新的ECG分類算法，用于處理能力有限的可穿戴裝置上的連續心髒監測。
方法：提出的解決方案采用了由小波變換和多個LSTM遞歸神經網絡組成的新結構（圖1）。
結果：實驗評估顯示，與以前的工作相比，ECG分類性能更好。在不同硬體平台上的測試表明，該算法滿足可穿戴裝置上連續實時執行的時序要求。
結論：與許多基于計算式深度學習的方法相比，本文提出的算法是輕量級的，是以，它為可穿戴裝置帶來了基于LSTM的準确ECG分類的連續監測。
意義：提出的算法既準确又輕量級。源代碼可線上擷取。
為什麼要提出這種算法？
以前的許多算法都是基于形态學特征和經典信号處理技術。由于ECG波形及其形态特征（如QRS波群和P波的形狀）在不同情況下和不同患者的情況下顯著不同，是以此類算法中使用的固定特征不足以準确區分所有患者的不同類型心律失常。
為了自動提取特征并提高心跳分類精度，最近許多研究者提出了基于深度學習的算法，包括深度卷積神經網絡和循環神經網絡（RNN）。
作者認為RNN系列的網絡更适合捕捉序列資料的時間依賴性。是以提出了一種新的基于LSTM遞歸神經網絡（RNNs）的心電圖分類算法。
這種算法是什麼？
（這裡RNN指的是，基礎的RNN，LSTM，LSTM with peephole，GRU；作者經過實驗對比這幾種子產品的性能，最終選擇了LSTM。）
如上圖所示，該算法同時使用LSTM和經典特征，即（小波變換）。這些附加特征有助于更好地捕捉ECG波形特點。此外，該算法融合了來自小型LSTM模型的心律失常預測，而不是建構一個大型模型。參見圖1中的模型α和β。執行多個較小的LSTM模型的總計算成本低于一個較大的LSTM模型。是以，與以前許多計算密集型的基于深度學習的方法相比，該算法在不顯著增加計算成本的情況下提高了分類精度。是以，它為個人可穿戴裝置帶來了基于LSTMBA的準确ECG分類的連續監測。
（簡單來說，該算法的流程就是，首先從源信号中分割心拍，得到Xecg，再從Xecg中計算Xrr特征，并且對Xecg下采樣後進行小波變換得到Xw特征。最後将這3路信号分别組合送到兩個模型中encode，再融合分類。Xrr和Xw作為附加特征用于提高分類精度以及降低計算複雜度。）
另外，這篇文章的訓練方法也挺有意思的！
這種方法是針對每個患者單獨訓練一個模型。
簡單來說就是針對某個患者X，将他的一段時間的帶标記的心電資料和資料庫中的資料組合得到一個患者X特定的資料集。然後将這個資料集用于訓練模型。然後該模型用于該患者的之後的日常監護。
為什麼要這樣做呢？
作者解釋說，因為不同患者的心電波形差異比較大，制作針對某個患者的資料集有利于提高模型精度。
這種算法怎麼樣？
實驗結果表明了該方法的有效性。報告ECG分類算法的準确性已被美國醫療儀器進步協會（AAMI）标準化[25]。我們提出的算法是使用符合該标準的先前工作中使用的相同ECG信号進行評估的。實驗結果表明，與上述方法相比，該算法具有更好的分類性能。例如，在将室性異位搏動（VEB）和非室性異位搏動（SVEB）進行分類時，F1得分分别高出3.3%和15.5%。注意，SVEB檢測被認為比VEB檢測更困難。
并對該算法的計算要求進行了評估。在小型和低功耗硬體平台上的實驗測量表明，該算法滿足在此類平台上連續實時執行的時序要求。
消融實驗：
結論：