基于Timesnet的心电分类

项目描述：针对心电图数据（可扩展至多元时序数据），先进行数据增强操作，随后通过傅里叶变换将时序数据扩展至二维空间进行分
析，从而更加充分的学习时序数据周期内和周期间的变化。最后将得到的二维图像输入到优秀的视觉网络中进行分类。
负责任务：
➢ 对 PTB 诊断心电图数据库（PHYSIONET）中心电图的数据增强，包括随机频降、随机周期掩码等。
➢ 通过傅里叶变换获取心电图一个波形的周期，根据周期对心电图切割将心电图转换为 2D 图像。
➢ TIMESNET 中的 INCEPTION 网络替换为不同的视觉骨干网络尝试，例如 RESNET，CONVNEXT，SWIN TRANSFORMER
项目亮点：
通过数据增强后，TimesNet 在 PTB 心电数据集上的准确度达到了 93.5%，优秀于传统的 CNN 模型（90.1%）和基于 transformer
改进的 Gated-transformer 模型（91.2%），达到了最佳性能。相比之下，TimesNet 统一了 2D 空间中的时间 2D 变化，这便于通过
2D 内核学习信息表示，从而有利于需要分层表示的分类任务