一种基于迁移学习的利用同步 ECG 信号与心音筛查既往心脏病的新方法
信号处理
2021-02-16 v2 机器学习
摘要
早期诊断既往心脏病十分重要，因为它有助于预防肺动脉高压、心律问题、血栓、心力衰竭和心脏骤停等并发症。为了识别此类疾病，心音图（PCG）和心电图（ECG）波形传达了重要信息。因此，有效利用这两种模态的数据有潜力改善疾病筛查过程。我们在包含同步采集的 PCG 和 ECG 记录的 PhysioNet Challenge 2016 数据集的一个子集上评估了这一假设。我们新颖的基于双卷积神经网络的方法使用迁移学习来解决公开可用的同步 PCG 和 ECG 数据量有限的问题，同时具有适应更大数据集的潜力。此外，我们引入了两种名为记录级（record-wise）和样本级（sample-wise）评估的主要评估框架，从而对迁移学习方法进行丰富的性能评估。与使用单模态或双模态数据的方法相比，我们的方法能够带来更好的性能。此外，我们的结果表明，单独采集的 ECG 或 PCG 波形能够提供可迁移的特征，可有效帮助利用数量有限的同步 PCG 和 ECG 波形，并仍取得显著的分类性能。
引用
@article{arxiv.2102.01728,
title = {A Novel Transfer Learning-Based Approach for Screening Pre-existing Heart Diseases Using Synchronized ECG Signals and Heart Sounds},
author = {Ramith Hettiarachchi and Udith Haputhanthri and Kithmini Herath and Hasindu Kariyawasam and Shehan Munasinghe and Kithmin Wickramasinghe and Duminda Samarasinghe and Anjula De Silva and Chamira U. S. Edussooriya},
journal= {arXiv preprint arXiv:2102.01728},
year = {2021}
}
备注
Paper accepted to IEEE International Symposium on Circuits and Systems (ISCAS) 2021