基于深度学习的重叠心电图图像数字化及开源 Python 代码
机器学习
2025-06-13 v1 人工智能
计算与语言
计算机视觉与模式识别
摘要
本文解决准确数字化纸质心电图 (ECG) 记录的持续挑战，特别关注稳健处理单导联因信号重叠而受损的问题——这是现有方法论中常见但未得到充分解决的问题。我们提出了一种两阶段流水线来克服这一限制。第一阶段采用基于 U-Net 的分割网络，在丰富重叠信号的数据集上训练，并辅以自定义数据增强，以准确分离主要 ECG 波形。随后阶段将此精修的二值掩码转换为时间序列信号，采用成熟的数字化技术，并通过自适应网格检测模块增强，以适应不同 ECG 格式和尺度。实验结果证明了我们方法的有效性。U-Net 架构在细粒度分割任务上实现了 0.87 的 IoU。关键的是，我们提出的数字化方法在非重叠和具有挑战性的重叠 ECG 样本上均优于一种成熟的基线技术。对于非重叠信号，我们的方法实现了 0.0010 的均方误差 (MSE) 和 0.9644 的皮尔逊相关系数 (rho)，而基线分别为 0.0015 和 0.9366。对于重叠信号样本，我们的方法实现了 0.0029 的 MSE 和 0.9641 的 rho，显著优于基线的 0.0178 和 0.8676。本工作展示了一种有效策略，可显著提高数字化精度，尤其是在存在信号重叠的情况下，从而为将模拟 ECG 记录可靠转换为可分析的数字数据以用于当代研究和临床应用奠定了坚实基础。该实现在以下 GitHub 仓库中公开：https://github.com/masoudrahimi39/ECG-code。
引用
@article{arxiv.2506.10617,
title = {Deep Learning-Based Digitization of Overlapping ECG Images with Open-Source Python Code},
author = {Reza Karbasi and Masoud Rahimi and Abdol-Hossein Vahabie and Hadi Moradi},
journal= {arXiv preprint arXiv:2506.10617},
year = {2025}
}