Hefei_ECG_TOP1

“合肥高新杯”心电人机智能大赛——心电异常事件预测冠军解决方案

赛题地址

https://tianchi.aliyun.com/competition/entrance/231754/introduction

开源baseline

感谢比赛期间JavisPeng开源的优质baseline

比赛分数

赛题回顾

• 问题描述：依据心电图机8导联的数据和年龄、性别特征，预测心电异常事件
• 比赛数据：32142条初赛数据和20036条复赛数据（初赛数据有重复，初复赛标签分布差异大）
• 评价指标：MicroF1

数据分析

• 标签相关性：计算公式为两标签交集数量除以两标签并集数量，0表示完全互斥。该相关性也可视为一种“特征”。

• 不同导联节拍一致：尖峰位置一致。

• 不同导联十分相似：将不同导联画在同一坐标轴上，可看出相似性。如何构建模型以利用这种相似性是最为关键的思路。

模型构建

针对多导联心电图分类任务，我创新地提出一种网络结构，将其称之为ECGNet: Multi-scale ResNet for Multi-lead ECG Data。该模型是本次比赛的致胜关键。（细节可见PPT）

模型融合

模型融合阶段效果提升，我认为主要有两点原因：

1. 充分利用初赛和复赛的数据
2. “隐含”地利用了不同标签的相关性

不足之处：

1. 模型缺乏多样性
2. 没有用到传统特征和树模型

此外，植物提出的嫁接学习也是种很有意思的思路。

效果评估

线下对20类标签用单模型评估效果，反正比我自己判断的（仅限电轴偏转方向）好得多。

经验总结

• 充分利用提供的数据很重要，尤其分布差异很大时。
• 多去思考多去尝试。

在处理多导联心电图数据时：

• 对不同导联应用相同的卷积核，能在减小参数量的同时，很好地提升模型的效果。
• 采用多尺度网络能捕捉不同尺度的特征，较好地提升模型的效果。
• 网络初期可以采用较大的卷积核，后期可以采用较小的卷积核。
• BN-ReLU-Conv要优于Conv-BN-ReLU。
• Squeeze-and-excitation结构也能提升模型的效果。
• 传统特征也很重要。

失败尝试

以下是一些失败的尝试（不代表这些方法真的不行，也许是我的打开方式有问题）：

• 傅里叶变换
• 小波变换
• 频谱图
• DenseNet
• EfficientNet
• Attention
• LSTM
• 滑动窗口
• 去噪
• 特征工程

总之还是要多思考多去尝试吧，没有什么事能一帆风顺的。

赛后感想

本次比赛收获颇丰，除了实质性奖励以外，还锻炼了我赛题思考、数据分析、模型构建、论文阅读、编程实现以及答辩的能力，且与其他选手交流了一些有趣的思路。
客观上来看，本次比赛有很大的运气成分的，自己还有很多不足。总之，继续努力，再接再厉吧。
单人参赛好累啊，还有复现阶段需要抓紧时间，我差点没在期限内整出来。

PS

很多细节我没有详细介绍，有兴趣地可以看PPT或答辩视频。

答辩视频

https://tianchi.aliyun.com/course/video?liveId=41127