结果分析
话不多说，直接上结果。由于网络本身具有随机性，因此每次的结果也会有些许差异。根据我的实验，一般测试准确率会维持在85%左右，好的时候可以到86%，87%以上。这里我选择了一个整体表现较好的模型（myNet.h5可直接载入），总体准确率为86.41%，混淆矩阵如下：
除此之外，论文中也习惯用各类的敏感度(Se)和正预测率（P+）来衡量表现。汇总如下：
N:
Se = 0.9065372829417774
P+ = 0.9358523725834798
V:
Se = 0.8869209809264306
P+ = 0.75
S:
Se = 0.389937106918239
P+ = 0.42660550458715596
F:
Se = 0.423728813559322
P+ = 0.6329113924050633
Q:
Se = 0.0
P+ = 0.0
可以看到，对于Q类型，模型不能区分。在我读过的绝大部分文献中，Q类样本基本上均不能区分。有的文献准确率超过了90%，但是对类别的平衡性不好。例如，在文献[Li T, Zhou M. ECG classification using wavelet packet entropy and random forests[J]. Entropy, 2016, 18(8): 285.]中，准确率达到了94.61%，但S类Se仅20%，P+仅有0.16%。F类P+仅有0.52%；文献[Chen S, Hua W, Li Z, et al. Heartbeat classification using projected and dynamic features of ECG signal[J]. Biomedical Signal Processing and Control, 2017, 31: 165-173.]的准确率达到了93%左右，但5类中F，Q类均不能区分，V的Se仅70.8%，S的Se和P+分别为29.5%和38.4%，具体混淆矩阵为：
可以看到，这两个工作的类别平衡性都不太好，虽然准确率很高，但由于类别不平衡，对于其中一些类别的识别能力很弱。下面举两个比较均衡的例子，一个是[Ye C, Kumar B V K V, Coimbra M T. Heartbeat classification using morphological and dynamic features of ECG signals[J]. IEEE Transactions on Biomedical Engineering, 2012, 59(10): 2930-2941.]，总体准确率为86.4%，其混淆矩阵为：
相比起我们这里做的模型，这个算法对S类的Se更好，但对V类的Se则不如我们的模型。同样，这个算法也无法区分Q类。另外一个例子比较新，为[Sellami A, Hwang H. A robust deep convolutional neural network with batch-weighted loss for heartbeat classification[J]. Expert Systems with Applications, 2019, 122: 75-84.]。这篇文章提出了一种动态的，基于batch的加权loss，可有效缓解类别不平衡带来的影响，而且作者所采用的深度网络与吴恩达式的ResNet很类似，总体准确率达到了88.34%，具体混淆矩阵为：
可以看到对各类的区分度都还不错。不过这里作者对网络的输入做了一定程度的改进，并非是输入单个心拍，而是会一次性输入相邻的两个心拍，作者分析说这样做会提高信息的完整度，并提升模型的性能。
以上这些例子均为基于心拍的分类，而我们这里是以一个任意片段为研究对象，个人认为其难度高于心拍分类。因为任意片段的样本复杂性相比一个单心拍提高了，没有了QRS波检测算法的定位辅助，有用信息的位置和内涵全要靠网络自己学习。但正如我们前面所说，基于任意切片的方式可以让网络摆脱与QRS波检测算法的耦合，使信号诊断在过程上更加简单和一般化，虽然也可能存在标签难确定的问题，但总体上说利大于弊。而网络在没有进行结构性创新和改动的情况下，效果上可以达到目前的主流水平，也可以说吴恩达式的ResNet在架构上具有一定的优势。
当然，上述的效果还存在很大的改进空间，并且在稳定性上还有所欠缺，这一点也是inter-patient划分导致训练集和测试集差异明显，以及样本的内在极不平衡所引起的，尽管我们做了一定的处理来缓解该问题。个人认为在样本处理方式以及双导联融合方面还可以继续探究，理论上还可以提高性能。
所有代码可见github：https://github.com/Aiwiscal/MIT_Scheme
喜欢请点赞和github给star哦~~~
祝顺利。
