基于CS的多任务学习网络,用于使用心电图信号进行心律失常的重建和分类
1The Faculty of Innovation Engineering-School of Computer Science and Engineering, Macau University of Science and Technology, Macau 999078, People's Republic of China.
Physiological measurement
|June 19, 2023
概括
本研究介绍了CSML-Net,这是一种用于心电图 (ECG) 失常症分类的新型深度学习模型. 它有效地压缩和分类ECG数据,提高实时监控系统的性能.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 深度学习在心电图 (ECG) 节律失常分类方面表现出色,但在实时系统中与大型数据集作斗争.
- 带宽有限和实时处理阻碍了当前深度学习方法在长期ECG监测中的应用.
研究的目的:
- 开发一种新的深度学习方法,以有效地对心电图失常症进行分类和重建.
- 为了应对在ECG监控系统中带宽有限和实时处理的挑战.
主要方法:
- 提出了一个多任务网络,CSML-Net,结合了压缩传感 (CS) 和卷积神经网络 (CNN).
- 电脑心电图信号使用学习测量矩阵进行压缩,然后通过共享层和双重任务分支同时恢复和分类.
- 包含一个多尺度功能模块来增强模型性能.
主要成果:
- 与现有方法相比,CSML-Net在MIT-BIH心律失常数据集上展示了优越的重建质量和分类性能.
- 该模型在压缩域内实现了有效的ECG心律失常重建和分类.
结论:
- 拟议的CSML-Net为资源有限的环境中ECG心律失常的重建和分类提供了一个有希望的解决方案.
- 这种方法提高了深度学习在实时和带宽有限的ECG监测系统中的适用性.
