ecg
ecg 是一款基于深度神经网络的开源项目，旨在对动态心电图进行心律失常的检测与分类，其准确率已达到心脏专科医生的水平。它主要解决了传统心电图分析依赖人工判读、效率较低且容易受主观因素影响的问题，通过自动化算法帮助快速识别异常心跳模式。
该项目非常适合医疗 AI 领域的研究人员、数据科学家以及希望探索深度学习在医疗影像中应用的开发者使用。普通用户若不具备编程基础，可能需要借助开发者封装的上层应用才能体验其功能。ecg 的核心技术亮点在于其独特的深度神经网络架构，能够直接从原始心电信号中学习特征，无需繁琐的人工特征工程。该模型已在权威医学期刊《Nature Medicine》上发表，并提供了完整的训练与预测代码，支持用户在 CPU 或 GPU 环境下复现论文结果，甚至利用 Physionet 2017 挑战赛的公开数据集进行二次开发与验证，是推动智能辅助诊断落地的优秀参考范例。
使用场景
某三甲医院心内科团队正试图从数万份动态心电图（Holter）数据中筛选出罕见心律失常病例，以训练新一代辅助诊断系统。
没有 ecg 时
- 依赖资深心电专家人工逐条审阅长时程监测数据，耗时数周且极易因疲劳导致漏诊。
- 传统算法对噪声干扰敏感，难以区分伪影与真实的心律失常，误报率居高不下。
- 缺乏统一的高精度基准模型，不同医生或初级算法的分类标准不一致，科研数据难以对齐。
- 新模型研发周期漫长，从数据清洗到验证往往需要数月，无法快速响应临床需求。
使用 ecg 后
- 利用 ecg 预训练的深度神经网络自动处理海量数据，将原本数周的初筛工作压缩至几小时内完成。
- 凭借达到心脏专科医生水平的检测能力，ecg 能有效过滤肌电干扰等噪声，显著降低假阳性率。
- 直接复用发表在《Nature Medicine》上的成熟架构，确保心律失常分类的准确性与学术权威性。
- 通过简单的配置文件即可在本地 GPU 环境复现训练流程，大幅缩短从数据到可用模型的迭代周期。
ecg 将顶尖的心律失常识别能力转化为可复用的代码资产，让医疗机构能以极低成本实现大规模、高精度的心电数据自动化分析。
运行环境要求
- Linux
- macOS
- 可选
- 若需 GPU 支持，需安装带有 GPU 版本的 TensorFlow（具体显卡型号、显存大小及 CUDA 版本未在文档中说明）
未说明
快速开始
安装
克隆仓库
git clone git@github.com:awni/ecg.git
如果您没有 virtualenv，请使用以下命令安装：
pip install virtualenv
创建并激活一个新的 Python 2.7 环境
virtualenv -p python2.7 ecg_env
source ecg_env/bin/activate
安装依赖（这可能需要几分钟）。
如果仅支持 CPU，请运行：
./setup.sh
如果要安装 GPU 支持，请运行：
env TF=gpu ./setup.sh
训练
在仓库根目录（ecg）中，创建一个名为 saved 的新目录。
mkdir saved
要训练模型，请使用以下命令，将 path_to_config.json 替换为实际的配置文件路径：
python ecg/train.py path_to_config.json
请注意，每完成一个 epoch，模型都会保存到 ecg/saved/<experiment_id>/<timestamp>/<model_id>.hdf5。
有关如何在真实数据集上运行此代码的实际示例，您可以按照 cinc17 README 中的说明进行操作。该文档将指导您下载 Physionet 2017 挑战赛数据集，并训练和评估模型。
测试
在模型训练了几个 epoch 后，您可以进行预测：
python ecg/predict.py <dataset>.json <model>.hdf5
将 <dataset> 替换为实际的数据集路径，将 <model> 替换为模型的路径。
引用与参考文献
本研究发表在《Nature Medicine》期刊上的论文如下：
使用深度神经网络在动态心电图中实现心脏病专家级别的心律失常检测与分类
如果您发现此代码库对您的研究有所帮助，请引用以下文献：
@article{hannun2019cardiologist,
title={Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network},
author={Hannun, Awni Y and Rajpurkar, Pranav and Haghpanahi, Masoumeh and Tison, Geoffrey H and Bourn, Codie and Turakhia, Mintu P and Ng, Andrew Y},
journal={Nature Medicine},
volume={25},
number={1},
pages={65},
year={2019},
publisher={Nature Publishing Group}
}
常见问题
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最
keras
Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。