一种基于AHIN块和梯度差最大损失的ECG无声化技术
Ruixia Liu1, Huichen Hu2, Shuaishuai Zhang2
1Shandong Artificial Intelligence Institute, Qilu University of Technology (Shandong Academy of Sciences), Jinan 250014, China.
Journal of electrocardiology
|August 11, 2024
概括
这项研究引入了一种新的深度学习方法,用于电心电图 (ECG) 无声化,通过解决噪声和波形扭曲,显著提高信号质量. 这种先进的技术提高了信号噪声比 (SNR) 并减少了根平均平方误差 (RMSE) 以获得更清晰的诊断数据.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 心电图 (ECG) 信号容易受到噪声干扰,导致信息丢失.
- 现有的深度学习模型对于ECG denoising缺乏稳定性,并且可能会忽视信号梯度差异.
研究的目的:
- 提出一种新的深度学习方法,对ECG信号进行无线化.
- 为了提高心电图信号处理的稳定性和准确性.
主要方法:
- 开发了一种使用注意力半实例规范化 (AHIN) 块的两阶段否定方法.
- 引入了一个梯度差最大损失 (GDM损失) 函数,以最大限度地减少波形扭曲.
- 通过广泛的实验验证该方法,将其与最先进的技术进行比较.
主要成果:
- 提出的方法在信号与噪声比率 (SNR) 和根平均平方误差 (RMSE) 中取得了出色的性能.
- 在各种噪音类型 (BW,MA,EM) 下,在降噪方面取得了显著的改进.
- 该方法有效地最大限度地减少信息丢失,并纠正波形扭曲.
结论:
- 这种新的深度学习方法为ECG信号消噪提供了强大而有效的解决方案.
- 拟议的AHIN阻断和GDM损失功能有助于在保护信号完整性方面提供卓越的性能.
- 这一进步有可能提高基于心电图的诊断的准确性.
