科尔莫戈罗夫-阿诺德和长期短期记忆卷积网络模型用于监督质量识别光电显微镜信号
Aneeqa Mehrab1, Michela Lapenna2, Ferdinando Zanchetta2
1Department of Mathematics, University of Ferrara, Via Ariosto 35, 44122 Ferrara, Italy.
Entropy (Basel, Switzerland)
|April 26, 2025
概括
这项研究引入了一种混合CNN-LSTM模型,用于自动光电图 (PPG) 信号质量识别. 结果显示,科尔摩戈罗夫-阿诺德网络 (KAN) 层提高了CNN的性能,并降低了参数.
科学领域:
- 生物医学信号处理
- 医疗保健中的人工智能
- 生理监测 生理监测
背景情况:
- 光电缩图 (PPG) 信号对于提取脉冲,氧度和心电图等生理数据至关重要.
- 对PPG信号的自动质量识别对于可靠的健康监测至关重要.
- 深度学习架构为高级PPG信号分析提供了潜力.
研究的目的:
- 开发和评估混合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 架构,用于自动化PPG信号质量识别.
- 为了比较混合CNN-LSTM模型与简单的CNN架构的性能,加上Kolmogorov-Arnold网络 (KAN) 层.
- 评估KAN层在提高CNN性能和降低模型复杂性的有效性.
主要方法:
- 实施混合CNN-LSTM模型用于PPG信号分析.
- 开发一个结合KAN层的比较CNN模型.
- 基于自动化质量识别指标的模型性能评估.
- 通过KAN层实现的参数减少的分析.
主要成果:
- 混合CNN-LSTM架构在自动PPG信号质量识别方面表现出有效性.
- 与具有多层感知器 (MLP) 层的标准CNN相比,使用KAN层增强的CNN显示出更好的性能.
- 发现KAN层可以有效地减少CNN架构中的参数数量.
结论:
- 混合深度学习模型,如CNN-LSTM,适用于自动化PPG信号质量评估.
- 科尔莫戈罗夫-阿诺德网络 (KAN) 层提供了一种有前途的方法来提高CNN在生理信号分析中的效率和性能.
- 整合KAN层是一个可行的策略,用于开发更简单,更有效的PPG数据人工智能模型.
