心跳异常检测大赛：2020年，向健康再迈进一步！

雷锋网 AI 开发者按： 在之前「肺炎 X 光病灶识别」挑战赛（ https://www.leiphone.com/news/201912/NR3B38DX4OZ2b5Xv.html ）中，我们谈到了 AI 在医疗领域的广泛作用与积极意义，并且也进一步了解到对于大量重复性劳动的现实场景，人工智能在检测中展现出的强大性能。

今天，我们又推出了全新的「心跳异常检测」挑战赛，希望能够通过该类型数据的检测，帮助 AI 开发者们更深入对检测技术的研究与优化。

心跳检测

心跳（心率）是否正常与我们的健康密切相关，在 AI 应用中，开发者可以通过建模，实现对 PTB 心电图的心跳图像数据检测。

通常建模涵盖了三类变量，包括：不同的心电图脉冲/形式，不同的人随时间变化的脉搏数据，以及是否患有梗塞的诊断结果，它们也是建模中的非常重要的数据。

图片来源：Mateusz Dymczyk

除此之外，解耦表示即让嵌入中的每个元素对应一个单独的影响因素，并能够将该嵌入用于分类、生成和零样本学习也是非常重要的一步。

这里常用的解决方案是由 DeepMind 实验室基于变分自编码器开发的β -VAE 算法，相比重构损失函数（restoration loss），该算法更加注重潜在分布与先验分布之间的相对熵。它可以从输入数据中提取影响变量的因素，提取的因素包括物理运动的方向、对象的大小、颜色和方位等等。

对心电图的心跳进行解耦 图片来源：百度

更多细节，参见 beta-VAE 论文地址：

https://openreview.net/forum?id=Sy2fzU9gl

更多应用场景

除了检测心跳是否正常之外，今年的一项新的研究报告也表示，研究人员已经开发出一种神经网络方法。该方法可通过分析一次原始心电图（ECG）心跳，实现 100% 准确地识别充血性心力衰竭。

这一方法利用了卷积神经网络（CNN）来解决对充血性心力衰竭这些重要的问题的精准检测，结果表明，层次神经网络在识别数据中的模式和结构方面非常有效。

神经网络的结构 图片来源：百度

而根据 Mayo Clinic 的一项新研究，一种新的人工智能（AI）输注心电图算法还能够成功识别心房颤抖（atrial fibrillation，AFib）。

研究结果表明，单个 AI 启用的 ECG 识别房颤，AUC 为 0.87（95％CI，0.86-0.88），敏感性为 79％，特异性为 79.5％，F1 评分为 39.2％，总体准确性 79.4。而这些结果可以减少检测房颤诊断所需的时间。

图片来源：百度

心跳异常检测挑战赛

从实际应用场景及其高准确率来看，AI 病理诊断技术确实可大幅缩短医生的工作量，并展示出高准确率的效果，同时，这些技术也提高放射学、病理学等依赖医学图像数据支持领域的诊断效率。

本次挑战赛，AI 研习社（ https://god.yanxishe.com/ ）围绕内容识别技术展开，并将其聚焦于医疗领域的「心跳异常检测」主题。

图片来源：AI 研习社

通过对比赛使用的 PTB 心电图数据集检测（输入电压 ±16 mV；输入电阻（DC）100Ω），参赛选手需要正确分辨出心跳正常与心跳异常两种类型的数据即可。

图片来源：百度

数据集与评审标准

本次比赛的数据集包含 16 个输入；其中包含了：14 个心跳数据，1 个呼吸数据，1 个电压数据。其中，部分相关数据详情为：

• 频率 每秒 1000 次扫描

• 分辨率 16 位；

• 带宽 0-1 kHz

数据集示例 图片来源：AI 研习社

数据集下载链接：

https://static.leiphone.com/heartbeat.zip

最终提交结果文件如下所示，其中，第一个数据为测试集图片 ID（即文件名）； 选手需判断分类数据集包含的心跳正常、心跳异常两种类型数据，最终输出：正常=0，不正常=1。 具体结果文件示例：

ps：建议使用 UTF-8（bom）编码，提交前请确认结果文件预测样本数量为 1000 条，数量不足可能导致无法评分。

整个比赛的评审完全透明化，我们将会对比选手提交的 csv 文件，确认正确识别样本数据，并在每日 24:00 将最新结果更新在官网排行榜上。下面的计算得分公式中：

• True：模型分类正确数量

• Total ：测试集样本总数量

更多信息，可进入参赛主页查看： https://god.yanxishe.com/21

雷锋网 AI 开发者 雷锋网 (公众号：雷锋网)

雷锋网原创文章，未经授权禁止转载。详情见 转载须知 。