Automating detection and localization of myocardial infarction using shallow and end-to-end deep neural networks
原文地址：https://www.sciencedirect.com/science/article/abs/pii/S1568494620303239
Accepted 2 May 2020
摘要：
心梗检测和定位可以帮助医生更好的进行诊断；
这篇文章主要的工作在于，提出了两种心梗检测和定位的方法：
a.离散小波变换（DWT）+主成分分析（PCA）+浅层神经网络（NN）
b.端到端的卷积神经网络（CNN）
心梗检测：相当于是二分类任务（即心梗或健康）；
心梗定位：相当于多分类任务（就是将心梗大类继续细分为六种子类）；
效果：
NN方法存在2%的误报，但是需要的计算资源少；
CNN方法不存在误报，但是需要的计算资源多；
两种方法流程图
进一步展开介绍：
数据预处理部分
ECG信号主要的伪影有两个：
1).高频噪声：包括肌电图（EMG）诱发的噪声、电极上的机械力和电源线干扰;
2).基线漂移：包括患者移动和呼吸，以及ECG记录期间仪器的不稳定;
处理方法：
使用带宽为5Hz的60Hz带阻滤波器，去除电力线干扰及其谐波；
然后再使用3次样条插值（CSI）去拟合原信号的低频趋势（基线），再使用原信号减去该拟合的基线，从而消除基线漂移；
NN方法：
首先是DWT和PCA方法：
离散小波变换（DWT）作用在于对原型号进行特征提取；
主成分分析（PCA）作用在于进行特征降维；
然后是浅层神经网络（NN）:
作者在原文中并没有明确的说明NN是一个怎样的网络结构，但是根据其描述，笔者猜测这可能就是一个三层的MLP；
端到端的CNN方法：
首先描述这个端到端的CNN的网络架构；
1).原信号经过降噪（上面已经提到）；
2).使用一维卷积获取ECG信号（时间序列）的特征，并将其填充为一个多个通道的二维矩阵（类似图像信号）；
3).再使用ResNet对图像信号进行分类；
实验部分：
PTB数据集划分：
在这项研究中，数据被分割成12个导联信号的5秒长样本，构建了5968个标记有六个不同类别的片段。为了平衡数据分布并保持先验概率相等，信号窗口使用具有可调重叠百分比的重采样，如表2所示。请注意，该数据完全不可识别且可公开获取；因此，本次调查未获得任何伦理声明。（这里其实重采样率其实很高，因此模型的性能有被高估的风险！）
获取的数据ECG信号片段（5s/段）被分为3组，60%作为训练集，10%作为验证集，其余作为测试集；
实验结果：
参考文献：
K. Jafarian, V. Vahdat, S. Salehi, and M. Mobin, “Automating detection and localization of myocardial infarction using shallow and end-to-end deep neural networks,” Applied Soft Computing, vol. 93, p. 106383, Aug. 2020.
