用于电容式 ECG 去噪的深度网络
机器学习
2019-04-01 v1 信号处理
机器学习
摘要
在自由生活条件下对心脏健康进行持续监测，对于为术后恢复患者及老年人等心脏高风险个体提供有效照护至关重要。电容式心电图（cECG）正是这样一项技术，它能够在无皮肤接触的条件下测量生物电位，从而实现舒适且长期的监测。cECG 监测可使用椅子、床甚至汽车座椅等多种家用物品进行，实现对个体的无缝监测。遗憾的是，该方法极易受运动伪影影响，极大限制了其在临床实践中的使用。目前 cECG 系统的应用仅限于节律分析。本文提出一种新颖的端到端深度学习架构来执行电容式 ECG 去噪任务。所提网络使用驾驶汽车时采集的运动 corrupted 三通道 cECG 和参考 LEAD I ECG 进行训练。此外，我们还提出一种新颖的联合损失函数，在信号域和频域同时施加损失。我们对模型预测与真值进行了广泛的节律分析。我们进一步使用均方误差（MSE）和模型预测与真值之间的互相关系数评估信号去噪效果。我们报告的 MSE 为 0.167，互相关系数为 0.476。所报告的结果凸显了使用滤波后 cECG 进行形态学分析的可行性。所提方法可实现自由生活条件下对个体的持续且全面监测。
引用
@article{arxiv.1903.12536,
title = {Deep Network for Capacitive ECG Denoising},
author = {Vignesh Ravichandran and Balamurali Murugesan and Sharath M Shankaranarayana and Keerthi Ram and Preejith S. P and Jayaraj Joseph and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:1903.12536},
year = {2019}
}
备注
Accepted IEEE MEMEA 2019