卷积傅里叶分析网络 (CFAN)：一种用于心电分类的统一时频方法
机器学习
2025-05-15 v3 信号处理
摘要
机器学习已彻底改变了生物医学信号分析，尤其是在心电图（ECG）分类领域。虽然卷积神经网络（CNN）擅长自动特征提取，但时域和频域信息的最佳整合方式仍未解决。本研究引入了卷积傅里叶分析网络（CFAN），这是一种新颖的架构，通过将傅里叶原理直接嵌入CNN层来统一时频分析。我们在三个ECG任务上——心律失常分类（MIT-BIH）、身份识别（ECG-ID）和呼吸暂停检测（Apnea-ECG）——将CFAN与四个基准模型进行了评估：基于频谱图的2D CNN（SPECT）；1D CNN（CNN1D）；基于傅里叶的1D CNN（FFT1D）；以及集成了傅里叶分析网络的1D CNN（CNN1D-FAN）。CFAN达到了最先进的性能，超越了所有竞争方法，准确率分别为98.95%（MIT-BIH）、96.83%（ECG-ID）和95.01%（Apnea-ECG）。值得注意的是，在ECG-ID和Apnea-ECG数据集上，CFAN相较于次优方法（CNN1D-FAN）显示出统计学上显著的改进（），进一步验证了其优越性能。关键创新包括CONV-FAN模块，该模块在卷积层中结合了正弦、余弦和GELU激活函数，以捕获周期性特征，并在无需频谱图转换的情况下实现联合时频学习。我们的结果凸显了CFAN在更广泛的生物医学和信号分类应用中的潜力。
关键词
引用
@article{arxiv.2502.00497,
title = {Convolutional Fourier Analysis Network (CFAN): A Unified Time-Frequency Approach for ECG Classification},
author = {Sam Jeong and Hae Yong Kim},
journal= {arXiv preprint arXiv:2502.00497},
year = {2025}
}