一种用于心电图分割的图约束变点检测方法
信号处理
2020-04-29 v1 机器学习
机器学习
摘要
心电图（ECG）信号是心血管疾病评估中最常用的无创工具。对 ECG 信号进行分割以定位其组成波，特别是 R 峰，是 ECG 处理与分析中的关键步骤。多年来，人们提出了多种具有不同特征的分割与 QRS 波群检测算法；然而，它们的性能高度依赖于预处理步骤的应用，这使得它们在门诊护理环境和远程监测系统的实时数据分析中不可靠，因为所采集的数据噪声很大。此外，现有算法在 ECG 信号的多样形态类别及其高计算成本方面仍存在一些问题。本文提出一种新颖的基于图的最优变点检测（GCCD）方法，可在不采用任何预处理步骤的情况下可靠地检测 R 峰位置。所提模型保证计算出全局最优的变点检测解。它本质上也具有通用性，可应用于其他时间序列生物医学信号。基于 MIT-BIH 心律失常（MIT-BIH-AR）数据库，所提方法取得总体灵敏度 Sen = 99.76、阳性预测率 PPR = 99.68、检测错误率 DER = 0.55，与其他最先进方法相当。
引用
@article{arxiv.2004.13558,
title = {A Graph-constrained Changepoint Detection Approach for ECG Segmentation},
author = {Atiyeh Fotoohinasab and Toby Hocking and Fatemeh Afghah},
journal= {arXiv preprint arXiv:2004.13558},
year = {2020}
}