動機：

心血管疾病(Cardiovascular Diseases, CVD)是一種心臟疾病，世界衛生組織(World Health Organization, WHO)指出心血管疾病是全球死亡的頭號殺手，每年都造成全球約1,790萬人死亡，占總死亡人數的31%。總部位於布魯塞爾的European Heart Networks組織報告顯示，心血管疾病每年在歐洲導致390萬人死亡，造成每年高達2100億歐元的損失。我國衛生福利部公布統計資料顯示，心血管疾病為第二大死亡因素，並且近二十年來在國人十大死因中持續位居前三名。

心電圖(Electrocardiography, ECG)分析是評估心臟健康的有效方法，因此，識別和ECG信號的分類有助於早期發現心血管疾病。心電圖是一種視覺時間序列(Time Series)，記錄人體心臟實時心動週期的電活動訊號，現在廣泛用於心率檢測。這種無創檢測方式操作簡便，成為用於協助醫生分析病理的必備工具。 現階段心血管疾病的判斷主要依據醫生的經驗。 但是，心血管病有很多種類，長時間人工檢測，容易造成誤檢。 如何快速準確地分析ECG訊號是一個問題，基於機器學習(Machine Learning)的心電信號智慧篩查可望快速準確地分析ECG訊號，減輕醫療人員工作負荷，提高醫療資源使用效率。

數據集：ECG5000

ECG5000 數據集是由 Eamonn Keogh 和 Yanping Chen 發布的 ECG 數據庫，在 UCR 時間序列分類檔案中公開可用。 它包含 5000 個心跳(從單個患者中提取)，每個心跳的長度為 140 個點。

方法：

1. 採用自編碼器(Autoencoder, AE)對ECG訊號進行降維，自編碼器是一種神經網路，透過編碼器將輸入壓縮成隱變量/表示(Latent Variable/ Representation)，經過解碼器將隱變量還原成原始訊號，因此，這個隱變量可以作為原始訊號在低維度空間的表示，不僅達到降維的目的，該隱變量更能作為訊號特徵。此專題使用異常檢測(Abnormaly Detection)，以正常ECG樣本訓練AE，使得正常ECG數據以及異常ECG數據在AE輸入與輸出之間的損失函數分佈可區分，達成異常檢測目的。

2. 採用時間序列成像(Time Series Imaging)技術，常見的方法為格拉姆角場(Gramian Angular Field, GAF)以及馬可夫轉移場(Markov Transition Field, MTF)，此專題使用MTF。

成果：

Colab: https://colab.research.google.com/drive/1SxXY24UCSEmE8UwFAR2iOrTLTTThCC4V?usp=sharing