基于三元基元场的时间序列异常检测及其在心房颤动ECG分类中的应用
机器学习
2020-12-10 v1 信号处理
摘要
在时间序列分析中,时间序列基元与序贯模式能够揭示通用的时序模式与动态特征。三元基元场(TMF)是一种基于三元时间序列基元的简单而有效的时间序列图像编码方法。心电图(ECG)信号是广泛用于诊断各类心脏异常的时间序列数据。TMF图像包含了表征正常与心房颤动(AF)ECG信号的特征。考虑到ECG信号的准周期特性,可利用迁移学习预训练卷积神经网络(CNN)模型从TMF图像中提取动态特征。借助所提取的特征,可应用多层感知机(MLP)、逻辑回归与随机森林等简单分类器进行准确的异常检测。在PhysioNet Challenge 2017数据库的测试集上,采用VGG16迁移学习模型与MLP分类器的TMF分类模型表现最佳,其AF分类的ROC-AUC达95.50%、F1分数达88.43%。此外,该TMF分类模型能以高精度识别测试集中的AF患者。从TMF图像提取的特征向量经t分布随机邻域嵌入技术显示出清晰的按患者聚类现象。综上,TMF分类模型具有很好的临床可解释性。经对称化梯度加权类激活映射所揭示的模式在心跳与节律层面均具有明确的临床解释。
引用
@article{arxiv.2012.04936,
title = {Anomaly Detection in Time Series with Triadic Motif Fields and Application in Atrial Fibrillation ECG Classification},
author = {Yadong Zhang and Xin Chen},
journal= {arXiv preprint arXiv:2012.04936},
year = {2020}
}