用于心电疾病诊断的深度学习模型库

github:

Baseline model collection of deep learning applied into ECGs. Those baseline models include 1D-ResNet, 1D-DenseNet, 1D-SE_ResNet, 1D-ResNext,1D-SE_ResNetV2, 1D-SE_ResNext and 1D-Top1Net(the champion model in Tianchi competition).

The F1-scores of those baseline models are in range of 0.83-0.90. you could fine-tune the parameters to reach a better level.

Step 1:

downloading datasets. The datasets from Tianchi competition includes dataset A and dataset B. The dataset A consists of 24106 ECGs, of which each has 8 leading records(I，II，V1，V2，V3，V4，V5, V6). while the dataset B consists of 20036 ECGs. Dataset can be downloaded from website.

https://pan.baidu.com/s/1fmCuV5i9oifnUNOsFhV0sA pwd: 8hs2

Please put the datasets into the fold: all_data. Finally, unzip the data packages.

step 2: build environment

python 3.7 is required. And the requirements can be used directly.

pip install -r requirements.txt

step 3: create csv file.

config the dataset path in the data_preparing.py. Then

python data_preparing.py

step 4: choose a baseline model you like.

7 models are presented in the models fold and configs fold. Those

python main.py --config configs/ResNet50.yaml

if you want ensemble, please config the file configs/ensemble.

python ensemble.py --config configs/ensemble.yaml

Reference:

RNN：长短时记忆网络（LSTM）的应用

1.引言

前面的教程中说了有关1维卷积神经网络（CNN）在ECG算法中的应用，目前也有众多论文在该方面有所探讨。为什么在图像领域表现出色的CNN能够适用于ECG信号？原因我们前面也进行了一些分析，其实感性地说起来，就是ECG信号与2维图像存在诸多相似之处，使得CNN可以顺利从2维图像迁移到1维信号。那现在我们要思考一些两者的不同之处。

不知道大家有没有注意，在2维图像中，两个坐标往往被称为“空间”坐标，而在1维ECG信号中，唯一的坐标往往是“时间”坐标。在CNN的应用中，我们忽略两者的不同，仅关注两者相似的地方，即“局部相关性”和“平移不变性”，从而成功迁移CNN。但“时间”与“空间”概念终究是不同的，1维ECG信号，说到底，还是一个时间序列。时间序列中往往存在着复杂的因果关系，也是隐藏规律的所在。接触过深度学习领域的人都应该知道，处理时间序列，那就是循环神经网络（RNN）的长项了。理论上，RNN应该也可以处理1维ECG信号。但是，朴素的RNN有一个致命的问题：长程依赖问题。随后提出的RNN变种——长短时记忆网络（LSTM）可以良好的解决这个问题，因此成为了RNN应用的主要选择。

2. RNN（LSTM）的应用模式

RNN的基本与展开结构如下图：

X0~Xt是我们所要输入的时间序列，h0~ht分别是各时刻的隐层状态。与CNN这种前馈网络不同，对于RNN来说，系统的输出会保留在网络里，和系统下一刻的输入一起共同决定下一刻的输出。这种特性也使得RNN在处理语义方面非常突出，因为此刻的语义往往依赖于复杂的上文内容。但是，这样的简单RNN存在长程依赖问题，即最近输入的信息对结果影响是最大的，而最开始输入的信息已经被网络“遗忘”，很难再对结果产生较大影响。而后提出的LSTM引入了“输入门，输出门，遗忘门”的概念，可以解决这个问题，成为了RNN应用的主流，以下为朴素RNN与LSTM的比较：

RNN：

LSTM：

可以看到，LSTM的结构比朴素RNN复杂了不少。这里对RNN以及LSTM的原理不做讨论，有兴趣的可自行查阅 http://colah.github.io/posts/2015-08-Understanding-LSTMs/。而RNN（LSTM）的基本应用模式也可以分为以下几种，有“一对多”，“多对一”，两种“多对多”：

对于我们的ECG应用，我们采用最后一种方式，每个数据点是每个时刻的输入，把握每个时刻的网络输出。但是，我们最终输出的应该是目标信号的类别，而不是一个序列，所以得到每个时刻的网络输出组成的序列后，再送入一个全连接层，全连接层的输出就是One-hot类型的类别编码：

RNN系列网络的训练是BP算法的变种BPTT，同样我们在这里也不做过多展开。

3. 示例：LSTM的ECG分类

这里我们的数据依然来源于我们在前面截取的心拍，基于TensorFlow深度学习框架。除了所用的网络有所不同，其他流程与前面教程中所述的CNN基本相同。可参考代码：https://github.com/Aiwiscal/ECG-ML-DL-Algorithm-Python/blob/master/Classification-DL_ULSTM.py 及所附注释。该代码中所用LSTM为单隐层，时间步数为250（与心拍长度一致），分4类。与前面的CNN一样，采用Adam方法训练。算法的评估方法也与前面教程相同，可自行查看代码输出。

4.小结

这一节讲述了LSTM在ECG识别中的应用。因为基本框架未变，只是换了网络结构，所以这一篇没有太多的讲解，只是把大概思路说了一下。对RNN（LSTM）感兴趣的可自行查阅相关资料。

*代码下载：https://github.com/Aiwiscal/ECG-ML-DL-Algorithm-Python/blob/master/Classification-DL_ULSTM.py

*推荐阅读：http://colah.github.io/posts/2015-08-Understanding-LSTMs/

喜欢请点赞，github给颗星~~~~

https://github.com/Aiwiscal

你可能感兴趣的文章

将表单序列化之后变成的json格式的数据无法通过Ajax发送到后台的解决