一个平行的基于学习的多任务框架,用于单线ECG细粒度噪声定位,denoising和信号质量评估

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:

• 可穿戴式心电图 (ECG) 设备对于个性化医疗保健至关重要,但在日常活动中容易受到短暂噪音的影响.
• 这种噪音使信号分类复杂化,无声化,并可能降低诊断准确度.
• 现有的方法难以应对各种不同类型的噪音,并保持波形忠实性.

研究的目的:

• 使用多任务学习开发一个先进的ECG预处理框架.
• 提高ECG信号质量评估和无声化的准确性.
• 为了在可穿戴设备中实现可靠的实时心电图监测.

主要方法:

• 开发了一个基于变压器的多任务学习模型,其中包含了一个细粒度的噪音定位任务.
• 该模型使用弱监督和病态心电图数据进行训练,并通过三个特定任务的损失函数进行优化.
• 整合了类内意识,以处理质量类别内的各种噪音,从而实现适应性消除噪音.

主要成果:

• 该框架在ECG排斥和质量评估方面取得了最先进的表现,F1得分高达98.49%,分类准确度超过95.68%.
• 在严重的噪音下,从-1.95±3.83dB到12.20±2.51dB的信号噪音比 (SNR) 显著改善,保持波形忠实度.
• 该模型通过修剪和量子化来实现边缘计算部署的有效压缩.

结论:

• 拟议的方法为大规模的实时心电图监测提供了一种高效和临床相关的解决方案.
• 它保留了诊断上重要的心电图波形,并提供可解释的噪声定位.
• 该框架提高了可穿戴心电图设备在个性化医疗保健中的可靠性和适用性.