用于深度学习 ECG 分类的抗基线漂移信号编码

基线漂移、缩放和噪声等常见伪迹严重限制了基于机器学习的自动心电图（ECG）分析与解释的性能。本研究提出了导数峰值（DP）编码，这是一种非参数方法，可生成与信号一阶和二阶时间导数过零点相对应的带符号尖峰。值得注意的是，DP 编码对平移和缩放伪迹具有不变性，且由于无需用户定义参数，其实现得到进一步简化。DP 编码被用于对来自 PTB-XL 数据集（n=18,869 名参与者）的 12 导联 ECG 数据进行编码，并输入至训练用于识别心肌梗死、传导缺陷和 ST 段异常的 1D-ResNet-18 模型。通过在编码前使用正弦基线漂移、平移、缩放和噪声破坏 ECG 数据，评估了其对伪迹的鲁棒性。添加这些伪迹导致先前技术中七种方法的准确率显著下降，而 DP 编码在漂移、平移和缩放下保持了 0.88 的基线 AUC。在存在平移（1mV 平移下的 AUC：0.91 vs 0.62）和缩放伪迹（AUC：0.91 vs 0.79）的情况下，DP 取得了优于未编码输入的性能。因此，DP 编码是一种简单的方法，可通过其提高自动 ECG 分析与解释对常见 ECG 伪迹的鲁棒性。