深度學習心律分類概括

最近在做訊號分類的問題，看了一些心電圖訊號分類的**，想要作為參考。不過這類**普遍都屬於醫學類，使用的方法用也大部分比較簡單。

有點收穫的是還順便學習了傅利葉變換和小波變換。

雖然說是實時識別，但其實也是進行了切塊，按視窗進行識別，存在一定延時，和我工作方向的備選方案一致。

資料處理部分，對於不同長度的ecg資料，通常會使用一些辦法來進行切割，看的幾篇**中比較常見的是借助r-peak進行切割。這一部分對我的工作方向幫助不大。在進入深度模型前，有寫**進行了額外的特徵提取，在這些**中普遍使用了小波變換。

小波變換係數和原始資料長度一致，因此可以作為新的通道直接疊加進去。同時短時傅利葉變換也可以在這一步作為特徵提取的工具。普通的傅利葉變換不建議使用，因為不能處理非穩態資料。

處理後的資料和原始資料可以疊加後直接進入下一步神經網路，也可以分開進入然後合併，形成多個分支。多個分支可以在最後進行投票，對結果的提公升也有幫助。投票階段可以直接全連線層，也可以使用mlp。複雜的模型就沒有必要了。

模型的層次並不需要特別深，大部分**中使用的模型也就四五層，偶爾有幾篇超過了十層，最終結果差距不大。使用cnn模型的沒有設計複雜結構，是直接一層一層堆起來，有一篇使用了resnet結構。rnn中最常用的還是lstm以及bilstm。對固定長度的一般來說bilstm結果會優越一點。

目前設計了乙個帶分支的lstm+resblock的結構，不知道效果好不好。小波變換的部分還需要再研究一下，感覺小波變換這種處理會帶來時間上的損耗，不過新模型層數比之前少，整體來看總用時應該是減少的。