推荐ivan_ah · 2019-01
“Pretty impressive.”
称这项用 CNN 检测心律失常的成果令人印象深刻
34 层 CNN 对单导联心电图分类,超过医生平均水平
构建了一个比以往语料多 500 多倍患者数量的数据集,并训练 34 层卷积神经网络,把单导联可穿戴设备记录的心电图序列映射为心律类别序列。以多位心脏科医生委员会标注的金标准测试集评估,该模型在召回率和精确率上都超过 6 位心脏科医生的平均水平。
仅有一条评论简单称赞“令人印象深刻”,把它当作深度 CNN 做心电图分类达到医生水平的例子。
这条路径围绕训练深层卷积网络所需的几项关键技术(批归一化、dropout、跳连与残差网络),再看恒等映射的改进,为读懂 34 层一维 ResNet 心电分类模型做准备。
目标论文的深层 CNN 使用批归一化来加速并稳定训练。
读对小批量逐层归一化的计算方式,以及它如何允许更大学习率。
目标论文在网络中使用 dropout 防止过拟合。
读dropout 的原理:训练时随机丢弃特征检测器、防止共适应。
目标论文的 34 层网络采用残差连接,网络结构沿用这篇。
读残差块的定义、恒等捷径、以及为何深网络退化问题可由此缓解;重点看 34 层结构。
提出预激活形式的残差单元,是目标论文在残差块设计上可参考的改进。
读把归一化和激活放在卷积之前的残差单元设计,以及恒等映射对信号传播的作用。
目标论文:用 34 层 CNN 对单导联心电图分类,表现超过医生平均水平。
读一维卷积残差网络结构、数据集构建与标注方式,以及与心脏科医生的对比评测。
“Pretty impressive.”