按年被提到
20172017 · 3 次2026
视觉、语音与图像生成›ViT 与视觉新架构·arXiv:1707.01836 · cs.CV

Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks

用卷积神经网络实现心脏科医生水平的心律失常检测
Pranav Rajpurkar, Awni Y. Hannun, Masoumeh Haghpanahi, Codie Bourn, Andrew Y. Ng · 2017

34 层 CNN 对单导联心电图分类,超过医生平均水平

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 4 人首次 2017-07-07 · 最近 2019-01-10
4不同的人
3活跃月份
4讨论串
611被引(OpenAlex)

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。

HN 为什么提它

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。

实证研究难度 3 / 5约 30 分钟有时效性
读之前最好知道
1卷积神经网络(CNN)
2心电图(ECG)基础
3分类评估指标(precision / recall)
4序列标注

学习路径

读这篇之前,按顺序读书架上的 5 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

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。

  1. 1
    Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift批归一化:通过减少内部协变量偏移加速深度网络训练 · 2015

    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。

  2. 2
    Improving neural networks by preventing co-adaptation of feature detectors通过防止特征检测器的共适应来改进神经网络 · 2012

    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。

  3. 3
    Highway NetworksHighway Networks · 2015

    门控跳连让极深网络可训练,是残差连接的前身思路。

    读门控机制如何让信息跨层直通;与残差连接对比。

  4. 4
    Deep Residual Learning for Image Recognition用于图像识别的深度残差学习 · 2015

    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。

  5. 5
    Identity Mappings in Deep Residual Networks深度残差网络中的恒等映射 · 2016

    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。

  6. 6
    Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks用卷积神经网络实现心脏科医生水平的心律失常检测 · 2017 · 就是这篇

    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。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
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
Cardiologist-Level Arrhythmia Detection Using a Deep Neural Network原评论 ↗
被提交为 story · 3 次