通过结构化状态空间模型推进 ECG 分析的最先进水平
机器学习
2022-11-15 v1 信号处理
机器学习
摘要
基于深度学习的 ECG 分析领域长期由卷积架构主导。本工作探索应用近期引入的结构化状态空间模型（SSM）的前景，其因能捕捉时间序列中的长期依赖而尤为可期。我们证明该方法在 ECG 分类上相对当前 SOTA 取得显著改进，并可追溯至具体病症。此外，模型捕捉长期依赖的能力有助于阐明文献中长期存在的问题，如训练分类模型的最优采样率或窗口大小。有趣的是，我们发现无证据表明需使用 500Hz 而非 100Hz 采样数据，且将模型输入长度扩展超过 3s 亦无优势。基于这一极具前景的初步评估，SSM 有望发展为 ECG 分析的新建模范式。
引用
@article{arxiv.2211.07579,
title = {Advancing the State-of-the-Art for ECG Analysis through Structured State Space Models},
author = {Temesgen Mehari and Nils Strodthoff},
journal= {arXiv preprint arXiv:2211.07579},
year = {2022}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2022, November 28th, 2022, New Orleans, United States & Virtual, http://www.ml4h.cc, 6+5 pages