IDNoise:在心电图信号中基于资源感知机器学习的噪音和SNR检测

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:

• 可穿戴式心电图 (ECG) 易受噪声的影响,特别是运动器件 (MAs),这会损害信号完整性和解释.
• 由于其复杂的时间频率特征,MAs存在重大挑战,通常与重要的ECG信号组件重叠.
• 现有的降噪方法难以应对MAs的不可预测性,需要先进的检测和识别技术.

研究的目的:

• 开发和评估基于机器学习 (ML) 的系统IDNoise,用于在心电图记录中检测和识别噪音.
• 利用一个全面的功能集来训练ML模型来区分噪声类型和估计信号对噪声比 (SNR).
• 评估IDNoise在可穿戴应用程序的准确性,执行时间,能源消耗和内存使用方面的性能.

主要方法:

• 提出IDNoise,一种基于ML的方法,利用形态,统计和连接特征来分析ECG信号中的噪声.
• 训练有素的ML模型用于二进制和4类噪声类型分类,以及7类SNR级别识别.
• 评估计算开销,包括执行时间,能源消耗和内存使用,重点关注预测和模型加载阶段.

主要成果:

• 在使用连接特征的二进制噪声类型分类中,IDNoise实现了80.52%的准确性和80.44%的F1分数.
• 在4类噪声分类中,精度达到67.91%,F1得分为67.89%;在7类SNR识别中,精度为44.80%,F1得分为44.57%.
• 使用连接特征的特征提取增加了计算开销 (高达7.5倍),而预测和模型加载仍然与单个特征相比较.

结论:

• IDNoise展示了一种可行的基于ML的策略,用于检测和识别可穿戴式心电图中的噪声,从而提高信号可靠性.
• 综合的特征集提高了分类性能,但在特征提取过程中引入了计算权衡.
• IDNoise为增强可穿戴式心电图监测系统对各种噪声干扰的稳定性提供了一个有前途的解决方案.