结合 Hough 变换与深度学习方法重建 ECG 信号：2024 年 George B. Moody PhysioNet 挑战
机器学习
2024-10-21 v1 图像与视频处理
摘要
本文介绍了我们团队（SignalSavants）赢得 2024 年 George B. Moody PhysioNet 挑战的获胜方案。该挑战有两个目标：从打印文档重建 ECG 信号并对其进行心脏疾病分类。我们的工作侧重于第一个目标。尽管如今许多 ECG 信号都是数字记录的，但纸质 ECG 在全球仍然普遍。将其数字化有助于构建更丰富的数据集并实现自动化分析。然而，不同录制标准和较差图像质量的存在要求采用数据中心方法来开发能够有效泛化的稳健模型。我们的方案结合了多样化训练集的创建、Hough 变换用于图像旋转、基于 U-Net 的分割模型用于识别 individual signals，以及 mask 向量化用于信号重建。我们采用 PTB-XL 数据集提议的 10 折分层交叉验证（CV）方法评估了模型性能。在 digitisation 任务上， our model 在交叉验证中的平均信噪比为 17.02，在隐藏测试集上的官方挑战得分为 12.15，夺得了比赛的第一名。我们的研究表明，构建稳健且可泛化的 digitisation 方法面临着诸多挑战。此类模型需要大量资源（数据、时间和计算资源），但具有巨大的潜力在多样化数据中发挥作用。
引用
@article{arxiv.2410.14185,
title = {Combining Hough Transform and Deep Learning Approaches to Reconstruct ECG Signals From Printouts},
author = {Felix Krones and Ben Walker and Terry Lyons and Adam Mahdi},
journal= {arXiv preprint arXiv:2410.14185},
year = {2024}
}