心跳異常檢測大賽：2020年，向健康再邁進一步！

雷鋒網 AI 開發者按：在之前「肺炎 X 光病灶識別」挑戰賽（ ）中，我們談到了 AI 在醫療領域的廣泛作用與積極意義，並且也進一步瞭解到對於大量重複性勞動的現實場景，人工智慧在檢測中展現出的強大效能。

今天，我們又推出了全新的「心跳異常檢測」挑戰賽，希望能夠透過該型別資料的檢測，幫助 AI 開發者們更深入對檢測技術的研究與最佳化。

心跳檢測

心跳（心率）是否正常與我們的健康密切相關，在 AI 應用中，開發者可以透過建模，實現對 PTB 心電圖的心跳影像資料檢測。

通常建模涵蓋了三類變數，包括：不同的心電圖脈衝/形式，不同的人隨時間變化的脈搏資料，以及是否患有梗塞的診斷結果，它們也是建模中的非常重要的資料。

圖片來源：Mateusz Dymczyk

除此之外，解耦表示即讓嵌入中的每個元素對應一個單獨的影響因素，並能夠將該嵌入用於分類、生成和零樣本學習也是非常重要的一步。

這裡常用的解決方案是由 DeepMind 實驗室基於變分自編碼器開發的β -VAE 演算法，相比重構損失函式（restoration loss），該演算法更加註重潛在分佈與先驗分佈之間的相對熵。它可以從輸入資料中提取影響變數的因素，提取的因素包括物理運動的方向、物件的大小、顏色和方位等等。

對心電圖的心跳進行解耦 圖片來源：百度

更多細節，參見 beta-VAE 論文地址：

 

更多應用場景

除了檢測心跳是否正常之外，今年的一項新的研究報告也表示，研究人員已經開發出一種神經網路方法。該方法可透過分析一次原始心電圖（ECG）心跳，實現 100% 準確地識別充血性心力衰竭。

這一方法利用了卷積神經網路（CNN）來解決對充血性心力衰竭這些重要的問題的精準檢測，結果表明，層次神經網路在識別資料中的模式和結構方面非常有效。

神經網路的結構 圖片來源：百度

而根據 Mayo Clinic 的一項新研究，一種新的人工智慧（AI）輸注心電圖演算法還能夠成功識別心房顫抖（atrial fibrillation，AFib）。

研究結果表明，單個 AI 啟用的 ECG 識別房顫，AUC 為 0.87（95％CI，0.86-0.88），敏感性為 79％，特異性為 79.5％，F1 評分為 39.2％，總體準確性 79.4。而這些結果可以減少檢測房顫診斷所需的時間。

圖片來源：百度

心跳異常檢測挑戰賽

從實際應用場景及其高準確率來看，AI 病理診斷技術確實可大幅縮短醫生的工作量，並展示出高準確率的效果，同時，這些技術也提高放射學、病理學等依賴醫學影像資料支援領域的診斷效率。

本次挑戰賽，AI 研習社（ ）圍繞內容識別技術展開，並將其聚焦於醫療領域的「心跳異常檢測」主題。

圖片來源：AI 研習社

開始時間：2020-1-10 09:00:00

結束時間：2020-2-09 00:00:00

透過對比賽使用的 PTB 心電圖資料集檢測（輸入電壓 ±16 mV；輸入電阻（DC）100Ω），參賽選手需要正確分辨出心跳正常與心跳異常兩種型別的資料即可。

圖片來源：百度

資料集與評審標準

本次比賽的資料集包含 16 個輸入；其中包含了：14 個心跳資料，1 個呼吸資料，1 個電壓資料。其中，部分相關資料詳情為：

• 頻率 每秒 1000 次掃描

• 解析度 16 位；

• 頻寬 0-1 kHz

資料集示例 圖片來源：AI 研習社

資料集下載連結：

   

最終提交結果檔案如下所示，其中，第一個資料為測試集圖片 ID（即檔名）； 選手需判斷分類資料集包含的心跳正常、心跳異常兩種型別資料，最終輸出：正常=0，不正常=1。具體結果檔案示例：

ps：建議使用 UTF-8（bom）編碼，提交前請確認結果檔案預測樣本數量為 1000 條，數量不足可能導致無法評分。

整個比賽的評審完全透明化，我們將會對比選手提交的 csv 檔案，確認正確識別樣本資料，並在每日 24:00 將最新結果更新在官網排行榜上。下面的計算得分公式中：

• True：模型分類正確數量

• Total ：測試集樣本總數量

更多資訊，可進入參賽主頁檢視：