基线漂移耐受信号编码用于使用深度学习进行心电图分类

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 自动化心电图 (ECG) 分析对于诊断心脏病状况至关重要.
• 常见的工件,如基线漂移,重新缩放和噪声降低了机器学习模型的性能.
• 现有的方法在存在这些信号缺陷的情况下努力保持准确性.

研究的目的:

• 引入衍生峰值 (DP) 编码,一种用于ECG信号预处理的新型非参数方法.
• 评估DP编码的稳定性和性能与常见的ECG工件相比.
• 评估DP编码对机器学习模型准确度对心脏病状况识别的影响.

主要方法:

• 开发了Derived Peak (DP) 编码,一种非参数技术,可以从信号衍生产物中生成已签名的尖峰.
• 应用DP编码到PTB-XL数据集 (n=18,869) 对于12导电图数据.
• 训练有素的1D-ResNet-18模型使用DP编码的数据来检测心肌梗塞,导电缺陷和ST段异常.
• 通过破坏基线漂移,转移,重新缩放和噪声来评估ECG数据的稳定性.

主要成果:

• DP编码证明了对移动和缩放工件的不变性,不需要用户定义的参数.
• 虽然其他方法显示了显著的精度下降,但DP编码在漂移,转移和重新缩放下维持了0.88的基线AUC.
• 在存在转移 (AUC 0.91 与 0.62) 和重新缩放文物 (AUC 0.91 与 0.79) 的情况下,DP编码的性能优于未编码的输入.

结论:

• 导出峰值 (DP) 编码提供了一种简单而有效的方法,以提高自动ECG分析的稳定性.
• 这种方法通过减轻常见的心电图文物的影响,显著提高了机器学习模型的性能.
• DP编码代表了可靠和准确的自动ECG解释的宝贵进步.