作者剛開始接觸ECG AI的時候，第一件事情就是用谷歌學術檢索，看到縱貫近40年的大量文章，F1分值往往逼近1，這不就是個solved problem？可現(xiàn)實中，ECG還必須靠專業(yè)醫(yī)生讀圖，豈非怪哉？后來基于大量實際數(shù)據(jù)，實現(xiàn)、測試了幾乎各種有影響的算法和模型，才發(fā)現(xiàn)個中緣由，回首前塵，頗有蕭瑟之感觸。

數(shù)字化心電圖（ECG）記錄，表現(xiàn)為一維時序實信號，多導聯(lián)時，為一組信號。利用計算機對其進行識別，屬于機器學習中的分類問題：將某心電記錄歸入一個或多個類別——對應診斷病種，如“正?！?、“房顫”等。

各種用于心電信號識別的人工智能技術，無不具備“適合處理時序信號”和“以分類為目的”這兩個基本特征。過去四十多年來這方面的實踐，大致可分成兩類：傳統(tǒng)機器學習、和深度學習。

（1）傳統(tǒng)機器學習。從二十世紀八、九十年代到現(xiàn)在，這類系統(tǒng)均可以歸結為一個簡單的公式：系統(tǒng)=特征抽取+分類器。

特征抽取又可以分成信號處理和統(tǒng)計兩個步驟。信號處理包括：時域方法（如濾波、模版匹配等）、頻域方法如傅立葉/加窗傅立葉變換、小波變換等，也有采用Hilbert Huang變換的。統(tǒng)計部分包括各種常用指標如均值、方差等，以及如峭度、相對熵等相對冷門一點的，這些指標就作為抽取到的特征，輸入到分類器。

分類器則主要采用SVM或分類回歸樹（CART），及其發(fā)展如Boosting等Ensemble方法?？紤]到心電信號的時序特點，也有結合馬爾可夫過程、時序限制網(wǎng)絡等來予以增強的嘗試。另外，在某些特定場景下，也可以直接采用如 if/else 等簡單規(guī)則。

心電圖中，QRS Complex最顯眼，也就是信噪比最高。因此，曾有大量的研究致力于檢測R波，尤以Pan-Tompkins（P-T）、GQRS等算法為代表。很多心電信號處理的算法，都先用P-T等來檢測R波，以此為基礎來抽取特征，例如最常見的R-R間隔等。

傳統(tǒng)機器學習方法用于心電信號識別，最主要的問題是，難于應對不確定性（來源于噪聲和個體差異等），以及較為嚴重的過擬合現(xiàn)象。絕大部分發(fā)表的文章，在如MIT-BIH等小數(shù)據(jù)集上，往往F1都可以達到0.95以上，然而我們基于實際數(shù)據(jù)集的測試發(fā)現(xiàn)，F(xiàn)1通常在0.8以下。

（2）深度學習。過去五年的發(fā)展，主要是采用深度深度神經網(wǎng)絡中的CNN、LSTM以及其后續(xù)發(fā)展如Attention機制等，適配于心電信號，大部分以1維CNN為基礎。和傳統(tǒng)機器學習方法相比，深度學習不依賴于人工的特征抽取和分類器選擇，常見的網(wǎng)絡模型，本身就可以直接從原始信號給出最終分類結果。

深度學習飛速發(fā)展，在如ImageNet等上的表現(xiàn)已經超過人類，故人們對基于深度學習的心電信號識別寄予厚望。然而，從基于較大規(guī)模的數(shù)據(jù)集PhysioNet/CinC Challenge 2017, iCBEB/CPSC2018（記錄數(shù)分別為8K+，6K+）的結果來看，這種“厚望”還有待實現(xiàn)。在CinC 2017中，雄踞榜首的方法基于傳統(tǒng)的特征工程-分類器，CPSC2018列名第一的基于深度學習，然而在實際數(shù)據(jù)集測試中，F(xiàn)1下降了10%，只有0.77。實際上，從斯坦福大學文章（因作者來自吳恩達Andrew Ng團隊，該文在國內影響很大），便可知端倪，文中總的F1為0.809，但是除了“正常”等幾種類型的F1較高外，如“房顫”等主要病種的F1，都只是在0.6～0.7，難怪有人認為文中對照組的“Cardiologist”得分太低！該文章并沒有公開它所基于的訓練集（64121條記錄），我們基于實際數(shù)據(jù)集的測試結果，General F1也大致在0.8以下。

關于（1）和（2）的結合，通常是利用Stacking等Ensemble方法，也有讓深度神經網(wǎng)絡不直接處理原始信號，而是以信號處理后的輸出如頻譜圖、或者基于R波檢測后抽取的特征來作為神經網(wǎng)絡的輸入。這種結合，在CinC 2017和CPSC2018中都有例子，某些場景下能提高F1分值0.01～0.03左右。

最后，用這幅圖來總結人工智能處理心電圖的歷程。經驗之談，僅供參考。