ASCNet-ECG：基于深度自编码器的注意力感知跳跃连接网络用于 ECG 滤波
信号处理
2023-03-29 v1 计算机与社会
摘要
当前，远程健康监控领域因其在日常生活中的显著应用而受到极大关注。这一进展导致电生理信号数据收集的增加。在此背景下，心电图（ECG）信号监测已成为医学领域的首要任务。ECG 通过分析心脏生理与异常在医学领域发挥重要作用。然而，这些信号受到多种噪声的影响，如电极运动、基线漂移和白噪声等，从而影响诊断准确性。因此，ECG 信号滤波成为一项重要任务。目前，深度学习方案因其高效的特征学习架构被广泛用于信号滤波任务。本工作提出一种基于深度自编码器模块的 ECG 信号滤波深度学习方案。根据该方案，数据通过编码器与解码器层进行处理以重建并消除噪声。所提出的深度学习架构使用改进的 ReLU 函数来改善属性学习，因为标准 ReLU 无法适应巨大变化。此外，所提架构还引入了跳跃连接，在将这些特征映射到解码器层的同时保留编码器层的关键特征。类似地，还包含了注意力模型，其执行通道与空间注意力，通过通道与平均池化操作生成鲁棒特征图，从而提升学习性能。所提方法在公开可用的 MIT-BIH 数据集上测试，在不同 SNR 水平下向原始信号加入电极运动、基线漂移和运动伪影等多种噪声。
引用
@article{arxiv.2303.15960,
title = {ASCNet-ECG: Deep Autoencoder based Attention aware Skip Connection network for ECG filtering},
author = {Raghavendra Badiger and M. Prabhakar},
journal= {arXiv preprint arXiv:2303.15960},
year = {2023}
}