熟悉ECG算法处理的同学都知道，在这个领域，做的最多的就是分类，可以基于心拍，也可以基于片段。两种方法各有优劣，这个我在之前的博客：Andrew Y. Ng式ResNet在MIT-BIH上的Inter-Patient分类实现（2）（https://blog.csdn.net/qq_15746879/article/details/88698720）中也做过一些分析。简单总结下来是这样的，基于心拍的算法结果足够精细，可以落实到单个心拍，但是需要额外的QRS波检测算法或是人工定位心拍，后端分类器对具体定位方法有依赖；而基于任意片段的算法则无需额外算法辅助，可以做到end-to-end，但结果又不够精细，如果片段中出现了多个类型的心拍，则无法精准判定它们各自的类型。当然，我们在上述博客中提出了一个规则来缓解基于片段的算法的缺陷，但并不能彻底解决该问题。那有没有一种方案可以同时克服以上两种方式的缺陷，又保留它们的优势呢？

其实答案很明显。计算机视觉领域已经给我们提供了一种解决方案——语义分割模型。对于一张图片中不同的物体，语义分割模型的目的是精准地分辨物体的本身和边缘，例如像这样：

同理，在ECG信号中，我们也希望能用一个模型精准的切分出心拍，并且同时给出其中的心拍类型，就像这样：

上图中是一段ECG信号，包含了正常（N）和室性早搏（PVC）两种心拍，以及心拍之间的背景（BG）。对于目标模型，我们输入的是一个任意片段，无需QRS波检测算法或人工定位心拍；输出就像上图这样，能够精准地分辨不同类型信号段位置。从理论上来说，这样同时克服了基于心拍和基于片段的ECG分类算法的缺陷，但也同时保留了它们的优势：输入是任意的片段，而最终的输出结果足够精准。但通用计算机视觉领域的语义分割往往需要大量的训练数据，这对于像ECG这样的医学数据来说显然有点不太现实。

       这个问题其实也有解决方案，那就是U-Net。原始U-Net是专为医疗图像分割而生，在小的数据集上也能取得不错的效果，理所当然地成为了我们的选择。U-Net，顾名思义，就是结构很像个字母“U”：

那理论上也很简单了，只要我们把U-Net改为1维，就能处理ECG信号了。上述思路整体上简单直接，我也肯定不是第一个想到这么做的，而且现在已经发现有一篇论文在做这个工作：Oh S L, Ng E Y K, San Tan R, et al. Automated beat-wise arrhythmia diagnosis using modified U-net on extended electrocardiographic recordings with heterogeneous arrhythmia types[J]. Computers in biology and medicine, 2019, 105: 92-101.，有兴趣的可以看看，但是这个论文细节写得不是很清楚，而且根据我的实验，对于里面的一些参数设定有点疑问。这个后续再细说，总之整体思路已经很清楚了。

下篇正式开始。强烈推荐大家阅读U-Net原始论文以及上面提到的那篇关于ECG分割的论文！！！

代码已开源在github：https://github.com/Aiwiscal/ECG_UNet

喜欢请多多给star哦~