使用卷积神经网络进行专家级别的心率不齐检测

使用卷积神经网络进行专家级别的心率不齐检测：Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks

摘要：

我们开发了一种能够检测多种心率不齐的算法（基于穿戴式心电图监测器采集的信号），该算法的性能超过了心脏病医师。我们构建了的数据集比前人大500倍。在此数据集上，我们训练了一个34层的卷积神经网络，其以心电图（ECG）序列为输入，输出类别（rhythm classes）。顶级心脏病专家对测试集的标记为 ground truth，在测试集上，我们将本文算法与6个心脏病医师进行了性能比较。本文的算法在召回率（灵敏度）和准确率（预测正确的比例）上都超过了心脏病医师。

1. 简介

本文的算法性能之所以好，主要有两个原因：1. 使用了深度卷积神经网络（CNN）；2. 本文的数据集比前人的大两个数量级。

为了通过心电图检测心率不齐，算法必须能够识别不同类型的波，并且判断它们在时间上的复杂关系（discern the complex relationships between them over time）。这是困难的，因为不同的病人，心电图的波形不一样、噪声水平也不一样。

本文训练的 34 层 CNN 以任意长度的心电图信号为输入来检测心率不齐。图1展示了本文模型的流程。除了分类噪声和窦性心律，本文的网络还学习去分类和分割十二种心率不齐的类型（the network learns to clasify and segment twelve arrhythmia types present in the time-series）。模型在采样率为 200Hz 的心电图信号数据集上进行端到端的训练，心电图的每一秒都进行了标注，因此数据的标签是一个序列（a sequence of annotations for every second of the ECG as supervision）。

我们构建的数据集的大小是前人的 500 倍。该领域，最常用的 MIT-BIH 数据集包括 47 位病人的心电图信号。在本文，我们从使用 Zio Patch 监测器的 30 万位病人中收集、标记了 3 万位病人的心电图作为本文的数据集。为了使数据集内的类别平衡，本文特意选择了一些已经出现了心率不齐的病人。

我们在测试集上，将本文算法与认证医师的预测结果进行了对比。三位专家级的心脏病医师对测试集的 336 个样本的标记作为 ground truth。本文的算法在召回率（灵敏度）和准确率（预测正确的比例）上都超过了心脏病医师。

2. 模型

2.1 问题陈述

通过心电图检测心率不齐是一个序列到序列的任务，其以心电图信号 $X=[x_1,...x_k]$ 为输入，输出一个序列标签 r = [ r