一种提升 ECG 信号分类神经网络对抗鲁棒性的正则化方法
机器学习
2022-03-16 v2 人工智能
计算机视觉与模式识别
信号处理
摘要
心电图(ECG)是监测人体心脏状况最常用的诊断工具。通过使用深度神经网络(DNNs),ECG 信号的解读可完全自动化,从而在极短时间内识别患者心脏的潜在异常。研究表明,在给定足量训练数据的情况下,DNN 用于 ECG 分类的准确率可达到人类专家心脏病医师水平。然而,尽管在分类准确率上表现优异,DNNs 对对抗噪声高度脆弱,对抗噪声是 DNN 输入中的细微改变,可能导致错误的类标预测。提升 DNNs 抵御对抗噪声的鲁棒性具有挑战性且至关重要,因为对抗噪声对生命关键型应用构成威胁。在本工作中,我们从噪声-信号比(NSR)的角度提出一种正则化方法,以提升用于 ECG 信号分类应用的 DNN 鲁棒性。我们在 PhysioNet MIT-BIH 数据集与 CPSC2018 ECG 数据集上评估了我们的方法,结果表明我们的方法能大幅增强 DNN 抵御对抗攻击生成的对抗噪声的鲁棒性,且在干净数据上的准确率仅有极小变化。
引用
@article{arxiv.2110.09759,
title = {A Regularization Method to Improve Adversarial Robustness of Neural Networks for ECG Signal Classification},
author = {Linhai Ma and Liang Liang},
journal= {arXiv preprint arXiv:2110.09759},
year = {2022}
}
备注
This paper has been published by Computers in Biology and Medicine