网络搭建
正如我们前面所说的，原文中所使用的网络并没有什么特别新奇之处，与经典的ResNet-34架构很类似。不过这里的网络使用了更大的，长度为16的一维卷积核，而原ResNet用于二维图像分类，则倾向于使用尺寸为3×3的小卷积核。个人认为这种尺寸上的不同主要还是源于ECG信号和图像数据的本质不同。一般直接输入网络的图像分辨率较低，哪怕在感受野最小时，3×3的区域也很有可能包含了具有意义的变化；而对于ECG这样的低频，低采样率信号来说，任何位置3个采样点的区域很难构成一个有特定意义的波形变化，且极易受噪声干扰，这对特征学习带来了很大的消极影响，严重时甚至可能导致学习无效。使用大的卷积核可以有效缓解这一问题。当然使用小的卷积核，但构建更深的网络也有利于感受野扩大，但在我的平时实践中发现这么做的效果并不好，可能是因为这种方式对于ECG信号来说不够直接，小卷积核过于关注高频噪声带来的扰动，而忽略整体上的变化。在代码上我对原版本进行了一些修改，使得其更适合于当下的应用，网络配置参数存放于Config.py，网络本身结构的搭建存放于net.py（基于keras）。详细请参照github。
还有一个问题就是关于网络的参数量。按照原文的配置，整个网络有1000多万的参数，若有足够的数据喂给网络，而且有足够的算力，这当然没什么问题。只是，由于我们手里并没有这么多数据，强行上大网络容易过拟合，当然还有就是我等贫穷之人没那么强的GPU加速（随便买GPU搭服务器玩的土豪请自动忽略）……这里我将其裁剪为了类似ResNet-18的架构，卷积核尺寸扩大一倍达到32，特征图数目由12起跳，将参数量缩减到了100多万；另外加入了更强的正则化，dropout丢弃概率由0.2改为0.5，每一层权重都加上l2正则。优化器也做了改动，由原来的Adam改变为SGD + Momentum，学习率初始值0.1，并在后续采用staircase式变化。更详细的参数可见Config.py和net.py。
另外一点需要注意的是，原文中的任务其实并非我们所想象的那种传统的分类，而是对片段每256个点就会输出一个结果，不过这个就需要数据有更为详细的，各类信号持续时间的具体标注。很可惜这个我们也没有，这里只能将其改变为传统的分类形式。
网络搭建好，数据准备好后，运行train.py就可以大炼丹了，运行test.py测试性能。
Github：https://github.com/Aiwiscal/MIT_Scheme
喜欢请点赞和github给star哦~~~~
