效果评估与改进方向分析
这里我们给出在最终测试集上的混淆矩阵和F1统计:
Actual/Predict |
N |
AF |
AVB |
LBBB |
RBBB |
PAC |
PVC
扫描二维码关注公众号,回复:
10257947 查看本文章
|
STD |
STE |
N |
162 |
0 |
8 |
0 |
5 |
0 |
0 |
14 |
3 |
AF |
0 |
222 |
4 |
0 |
5 |
5 |
2 |
2 |
0 |
AVB |
6 |
0 |
122 |
0 |
4 |
1 |
0 |
0 |
0 |
LBBB |
0 |
0 |
0 |
44 |
1 |
0 |
0 |
0 |
0 |
RBBB |
12 |
3 |
4 |
0 |
271 |
7 |
3 |
4 |
3 |
PAC |
18 |
4 |
3 |
0 |
5 |
68 |
9 |
8 |
0 |
PVC |
7 |
4 |
0 |
2 |
6 |
17 |
99 |
4 |
0 |
STD |
17 |
5 |
6 |
0 |
2 |
6 |
1 |
120 |
0 |
STE |
20 |
1 |
4 |
0 |
4 |
0 |
0 |
0 |
19 |
| F1-N: 0.7465437788018433 |
| F1-AF: 0.9269311064718163 |
| F1-AVB: 0.8591549295774648 |
| F1-LBBB: 0.967032967032967 |
| F1-RBBB: 0.8885245901639345 |
| F1-PAC: 0.6210045662100456 |
| F1-PVC: 0.782608695652174 |
| F1-STD: 0.7766990291262136 |
| F1-STE: 0.5205479452054794 |
F1-mean: 0.7876719564713265
可以看到,算法对于PAC和ST段相关的异常不够敏感。PAC即为房型期前收缩,查阅相关书籍,得知其主要的表现是异位P波的出现以及PR间期的延长;ST段的变化大家应该更熟悉,其抬升和下降具有多种的表现形式。不过,个人看来,这两类有一个共同的特点,那就是相比其他的类别,它们的主要特点不在于宏观形态或统计特性的变化,而是很具体,但是又较难准确定位的波段异常。这似乎又在说明具体基准点定位算法的必要性,但前面也说了,此类算法的鲁棒性较差,至今仍然是一个比较open的问题。似乎到这里,进入了一个两难的境地。不过,我看到文献中很多基准点检测算法都是基于小波变换的多分辨率特性出发的,而ECG不同波段的主体在不同的尺度上,如果不进行显式地检测,只是引入小波的多级系数,能不能改善性能?另外,我们的深度网络的前半部分是最基础的CNN结构,而现在更先进的结构层出不穷,更先进的结构能不能带来更好的性能?这里多个导联的网络是单独训练并简单拼接到一起的,能不能有一种适用于多导联的协同训练算法,能更好的发掘导联间的关系,得到更有效率的融合?所以,我目前想到的改进方面总结下来:
- 引入更多的特征检测,改善性能的同时,尽量不降低算法的鲁棒性。
- 对于网络结构,可以尝试更先进的结构,甚至可以自行研究更先进的结构。
- 多个导联协同训练,达到更高效的融合。
以上就是个人的一些想法,当然如果大家有更好的看法,欢迎交流~。这里也很希望大赛的相关论文和代码能尽快完善,以便可以借鉴更为优秀的方案。
方案的所有内容到这里就阐述完毕了,由于本人水平有限,难免会有考虑不周或处理不当的地方,也请大家不吝赐教。