区域聚集网络：改进的卷积神经网络用于心电图特征检测 第一次将深度学习运用到ECG特征检测

论文阅读笔记：Region Aggregation Network: Improving Convolutional Neural Network for ECG Characteristic Detection 区域聚集网络：改进的卷积神经网络用于心电图特征检测

摘要部分：检测ECG特征点是自动化ECG分析技术的第一步。 我们提出了一种新颖的端到端深度学习方案，称为区域聚集网络（RAN），用于ECG特征点检测。 一维卷积神经网络（CNN）用于自动处理ECG信号。 提出了一种新的区域聚集策略，以代替传统的全连接层作为回归器。 我们的工作可在公共ECG数据库上提供强大而准确的检测性能。 我们的方法在QT数据库上的评估结果显示，与最新技术相比，检测精度相当。

该论文主要提供了一种方法，即改变传统cnn神经网络的全连接层，进而获得更为强大的检测性能，通过测试，该方法检测精度较高。

该论文在第一部分介绍了几种传统的心电图（ECG）特征检测方法：

一、K-Nearest Neighbor classification approach for ECG recognition

k最近邻是一种比较经典的机器学习算法：主要思想是在特征空间中，如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类别。

但这种方法最大的问题是，如果特征维数较高，那么容易出现维度爆炸问题，同时比较迟内存，因为所有的训练数据都需要存储。
二、Based on partially collapsed Gibbs sampler

吉布斯采样

预处理过程：

1）降噪
使用小波变换来降噪，使用的小波为Dual-Tree Complex Wavelet Transform (DTCWT).用DTCWT将心电图信号分解成11个尺度，保留2至9级的信息重建信号，其余的被视为噪声并设置为零。这样就达到了降噪的效果。

小波变换：
小波变换（wavelet transform，WT）是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。

（2）消除基线飘移-检测器基线随时间的增加朝单一方向的偏离。
使用中值滤波器来消除基线飘移。
使用200 ms宽的中值滤波器去除P波和QRS波杂波，然后使用600 ms宽的中值滤波器去除T波来拟合基线。这样据可依从去噪信号中减去拟合的基线。
（3）数据分割
DPI algorithm 来找到QRS peaks（心电图的每部分的那个峰值），计算平均RR间隔长度，使用g进行分割
（4）数据增加
对于数据分割采用不同大小的窗口，来得到更多的数据段

网络结构：

在预处理结束后将预处理后的数据输入神经网络，由于CNN只能采用固定大小的张量作为输入，因此我们将每个段重新采样到325，最后一层的全连接成被修改成了区域聚合层。
这是每层的具体信息：

可以这么理解，该系统将最终的特征图划分成cnn末端N个区域，然后将每个区域分别输入到全连接层，然后将每个区域的最后一个全连接层的特征连接在一起，并使用一个回归层来对特征点进行推测。
区域聚集模块利用每个区域分别预测所有特征点的位置和 结合结果。 来自CNN的特征图中的不同区域代表输入ECG片段的不同区域。 此过程基本上等于一种多视图投票策略，即综合多个特征进行决策。

*使用的实现数据库为QT数据库

QT数据库包括从现有ECG数据库（包括MIT-BIH心律失常数据库，ST-T数据库和其他几个ECG数据库）中选择的105条记录。 在数据库中手动注释了每条记录中至少30个节拍，总共3622个节拍。 注释包括P波的开始，峰值和结束，QRS复数的开始和结束以及T波的峰值和结束。 由于RAN必须接受固定大小的输入并生成固定大小的输出，因此我们仅使用包含8个点的注释的记录作为测试或训练集，占105个中的97个。我们将97个记录分为两部分：训练集 测试集，其中训练集包含74条记录，测试集包含23条记录。

实验独立进行10次，并取10个测试结果的平均值作为评价结果，针对每一个实验结果给出预测值和精确值之间的误差。

结果：相对于传统的cnn，该方法在达到90%的置信区间的时间平均提高了15秒ms，（这一块没搞太明白这种比较）。同时稳定性也超过了传统的cnn。
这是第一次将深度学习的方法运用到ECG特征检测。