Awesome
“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
<p align="center"> <img src="image/rank.png"> </p>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）
<p align="center"> <img src="image/ECGNet.png"> </p>模型融合
<p align="center"> <img src="image/stacking.png"> </p>模型融合阶段效果提升，我认为主要有两点原因：
- 充分利用初赛和复赛的数据
- “隐含”地利用了不同标签的相关性
不足之处：
- 模型缺乏多样性
- 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。
<p align="center"> <img src="image/eval.png"> </p>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。