光谱跨域神经网络与软适应值光谱增强

科学领域:

• 生物医学信号处理
• 机器学习 机器学习
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 目前的心电图 (ECG) 分类方法经常分别处理光谱和时间域.
• 这种分离限制了识别复杂的ECG模式的能力,因为模型中缺乏光谱时间域通信.

研究的目的:

• 提出一种新的深度学习模型,即光谱跨域神经网络 (SCDNN),用于增强心电图信号分类.
• 开发一个新的块,软适应值光谱增强 (SATSE),用于同时从光谱和时间领域提取信息.

主要方法:

• 开发了SCDNN,这是一个深度学习模型,利用CNN的骨干来捕获跨领域的信息.
• 集成的SATSE块采用快速里埃转换 (FFT) 与软可训练的知识提取值.
• 采用自适应机制,将来自时间和光谱领域的信息合并.

主要成果:

• 在PTB-XL和CPSC2018 ECG数据库上,SCDNN在多个分类任务中表现出卓越的表现.
• 该模型实现了与现有方法相比显著降低计算成本的最先进的结果.
• 数字调查证实了可训练值在光谱域内的趋同.

结论:

• 拟议的SCDNN模型为利用深度学习中的跨领域知识用于时间序列分析提供了一个新的视角.
• SCDNN有效地整合了光谱和时间域信息,从而实现了强大的心电图分类.
• 这些发现表明了改善心电图分析的准确性和效率的有希望的方向.