深度学习心律分类概括

最近在做信号分类的问题，看了一些心电图信号分类的论文，想要作为参考。不过这类论文普遍都属于医学类，使用的方法用也大部分比较简单。
有点收获的是还顺便学习了傅里叶变换和小波变换。

---

虽然说是实时识别，但其实也是进行了切块，按窗口进行识别，存在一定延时，和我工作方向的备选方案一致。

数据处理部分，对于不同长度的ECG数据，通常会使用一些办法来进行切割，看的几篇论文中比较常见的是借助R-peak进行切割。这一部分对我的工作方向帮助不大。在进入深度模型前，有写论文进行了额外的特征提取，在这些论文中普遍使用了小波变换。

小波变换系数和原始数据长度一致，因此可以作为新的通道直接叠加进去。同时短时傅里叶变换也可以在这一步作为特征提取的工具。普通的傅里叶变换不建议使用，因为不能处理非稳态数据。

处理后的数据和原始数据可以叠加后直接进入下一步神经网络，也可以分开进入然后合并，形成多个分支。多个分支可以在最后进行投票，对结果的提升也有帮助。投票阶段可以直接全连接层，也可以使用MLP。复杂的模型就没有必要了。

模型的层次并不需要特别深，大部分论文中使用的模型也就四五层，偶尔有几篇超过了十层，最终结果差距不大。使用CNN模型的没有设计复杂结构，是直接一层一层堆起来，有一篇使用了ResNet结构。RNN中最常用的还是LSTM以及BiLSTM。对固定长度的一般来说BiLSTM结果会优越一点。

目前设计了一个带分支的LSTM+ResBlock的结构，不知道效果好不好。小波变换的部分还需要再研究一下，感觉小波变换这种处理会带来时间上的损耗，不过新模型层数比之前少，整体来看总用时应该是减少的。