论文地址：Multi-class Arrhythmia detection from 12-lead varied-length ECG using Attention-based Time-Incremental Convolutional Neural Network
一、背景
心电数据往往存在者个体差异和噪音，给心率识别与分析带来很大困难。现有深度学习算法虽多，却没有专门为生理信号设计的模型，生理信号有以下几个特点：1.周期性波动，2.存在异常信号，3.现有12导联的心电数据提供了丰富的信息，如何利用信息的空间分布是个需要考虑的问题。
本文亮点：
提出新颖的ATI-CNN模型，将心电数据处理分为两部分：用CNN捕捉空间信息，RNN捕捉时域信息，并基于Attention机制。开发循环单元的unwrapping ability来处理不定长的输入信号，不像传统CNN需要实现对信号进行补全和或截断，模型具有较好的鲁棒性。引入注意力机制，文章实验说明注意力在其中发挥的作用。
本文方法在第一届中国心电挑战赛的数据集上进行实验，对12导联心电数据进行9分类。
二、方法
模型结构如下：
每个CNN层下都接上BN和ReLU层。
所用Attention机制结构图如下：
这里文章没有给出计算公式，个人感觉不太好。
损失函数为：
loss(X,r)=−log(exp(p(X,r))∑jexp(p(X,j)))loss(X, r) = -log(\frac{exp(p(X, r))}{\sum_j exp(p(X, j))}) loss(X,r)=−log(∑jexp(p(X,j))exp(p(X,r)))
p(X,j)p(X, j)p(X,j)是模型对输入的XXX预测为jjj标签的概率，rrr为正确标签。
三、实验
3.1 环境
Xeon E5 2650 CPU，128G内存，四块Titan Xp 显卡（我柠檬了）。Ubuntu 16.04版本，Pytorch 0.4.1。
3.2 数据
train_set 1
train_set 2
train_set 3
训练集标签
3.3 预处理
训练集信号在时间维度上乘以一个随机因子进行压缩或扩张，随机因子服从[1, 1.2]的均匀分布。这个操作会引入噪声，但是能帮助模型达到更好的表现（好奇怪啊这里）。对每个训练数据，随机将一部分变为0，片段长度最多1.5秒。信号标准化所有数据全部补全或截断到60秒（这和前面亮点2不是相矛盾么……）随机给样本增加反直觉的错误标签3.4 实验设定
CNN和Dense层全部使用kaiming initializer进行权重初始化（现在的pytorch，cnn的默认初始化就是kaiming initializer，用tf的朋友可以自定义这个初始化类），lstm使用orthogonal初始化。
Adam优化器，初始学习率为0。0001，每过50个epoch乘以0.1，总计150个epoch。
使用l2正则约束参数，l2损失乘以0.004加入到训练损失上。
Batchsize为128。
四、实验结果
五、讨论
ATI-CNN模型分类的混淆矩阵如下：
后面的讨论部分文字有点多，有兴趣研究的看原文就好，注重工程和复现的朋友们到这里就可以了。
