STF-CSNet:一个时空融合深度压缩传感方法用于ECG信号
Jiawen Zou1, Jing Hua2, Fendong Zou2
1School of Computer and Information Engineering, Jiangxi Agricultural University, Nanchang, 330000, China.
Computers in biology and medicine
|May 13, 2025
概括
本研究介绍了STF-CSNet,这是一种用于压缩心电图 (ECG) 信号的新深度学习方法. 它有效地减少数据大小,同时保持高信号质量,改善医疗数据处理.
科学领域:
- 生物医学信号处理
- 为医疗保健提供深度学习.
- 心血管监测技术的使用.
背景情况:
- 电心电图 (ECG) 信号对于诊断至关重要,但在数据量和实时处理方面存在挑战.
- 现有的ECG压缩方法往往会在效率和信号完整性之间做出妥协.
- 需要先进的技术来处理高维心电图数据,以实现高效的传输和存储,这一点至关重要.
研究的目的:
- 提出STF-CSNet,一种新的时空融合深压传感方法,用于ECG信号.
- 通过提高效率和信号质量来解决传统ECG压缩技术的局限性.
- 为了利用空间和时间特征来改进心电图信号的压缩和重建.
主要方法:
- 开发了STF-CSNet,结合了道注意力和多头混合注意力机制.
- 利用时空融合方法将时间和空间领域的特征结合起来,以增强心电图的表现.
- 采用深度压缩传感原理,以有效地获取和重建数据.
主要成果:
- 在PTB数据库上,STF-CSNet在10%的传感率下实现了3.10%的峰值至根的平均平方扭曲 (PRD) 和30.74dB的信号对噪声比 (SNR).
- 该方法在PRD和SNR方面优于ECG信号的现有压力传感技术.
- 在多个ECG数据库 (PTB,INCART,STAFF III) 中表现出强大的概括能力.
结论:
- STF-CSNet为ECG信号压缩和重建提供了更有效和更强大的解决方案.
- 拟议的方法可以显著降低数据传输和存储成本,而不会影响信号质量.
- 在电心电图信号处理方面,STF-CSNet与当前最先进的方法相比,具有重大进步.
