实时多导联卷积神经网络在心肌梗死检测中的应用
Real-Time Multilead Convolutional Neural Network for Myocardial Infarction Detection
摘要：提出了一种基于心电图的多导联CNN心肌梗死检测算法。
1.多导联心电图进行心拍分割；
2.模糊信息粒化（FIG）进行预处理；
3.将信号送入ML-CNN分类；
ML-CNN是新模型（sub two-dimensional (2-D) convolutional layers 和 lead asymmetric pooling (LAP) layers ？）
不同的导联代表同一心脏的不同角度。
lead asymmetric pooling (LAP) layers：可以捕捉不同导联的多尺度特征，利用每个导联的个体特征。
sub two-dimensional (2-D) convolutional layer ：可以利用所有导联的整体特性。它使用不同导联之间共享的一维卷积核来生成局部最优特征。
以上这些策略使ML-CNN适用于多导联心电图处理。
算法评估：
数据集->PTB诊断数据库中的实际ECG数据集；
精度指标->灵敏度为95.40%，特异性为97.37%，准确率为96.00%；
速度指标->平均每个心跳的处理时间：MATLAB为17.10毫秒；ARM Cortex-A9平台上为26.75毫秒；
该方法在移动医疗应用中具有良好的潜力。
原理部分介绍：
1.心拍分割方法：
2.模糊信息粒化进行预处理：
3.sub two-dimensional (2-D) convolutional layers：
为什么：作者认为在多导联ECG中，只有单个导联的局部变化对CNN有意义，因为只有导联内信号振幅是连续的，导联间信号振幅是不连续的。因此，多导联心电图的导联内局部变化整体决定检测结果。
怎么办：在多个导联间共享一维卷积核，这个一维卷积核只用于提取有意义的导联内变化。更少的参数量
4.lead asymmetric pooling (LAP) layers：
然而，虽然在本研究中，多导联节拍被视为二维矩阵，但它们在两个独特属性上与标准二维数据（如图像）不同。CNN的修改基于以下两个属性：
正直：不同的导联反映了同一颗心的状态。在算法中，它们应该作为一个整体来考虑。
多样性：多导联心电图是根据不同角度和距离心脏同步采集的[38]。因此，可以合理地得出结论，多导联心电图反映了心脏的多尺度特征。
然而，传统的二维CNN不符合上述属性。传统的二维卷积无法捕捉到有意义的导联内多导联ECG局部变化，基于单个合并因子的正常合并无法有效利用多尺度特征。考虑到多导联心电图的独特属性，提出了用于心肌梗死检测的ML-CNN。将传统CNN中的标准二维卷积和正常池分别替换为亚二维卷积和LAP策略。此外，亚二维卷积层与搭接层交替。ML-CNN的输入是（11）中给出的二维多导节拍（BJ）。
Sub-2-D卷积：为了保持多导联心电图的完整性，Sub-2-D卷积被设计来取代标准的2-D卷积。当执行亚二维卷积时，利用一维水平核来检测局部变化。因此，检测到的局部变化都是导联内的，因此对ML-CNN有意义。在上述分析中，一个关键问题是如何将不同lead的内部局部特征或变化视为一个整体。亚二维卷积在不同的导程之间共享其一维核。因此，训练算法可以基于所有线索而不是某个单一线索来优化核参数。与对每个导联使用特定核的方案相比，子二维卷积层中的参数数量减少，在一定程度上可以避免过拟合。
卷积层的输入是前一层的特征映射，使用不同引线之间共享的多个1-D内核在所选映射上执行卷积。激活函数用于引入非线性并生成输出特征映射。卷积层的FP过程可以描述为
