基于在线稀疏字典与时间金字塔匹配的 ECG 心拍分类
计算机视觉与模式识别
2020-08-18 v1 机器学习
摘要
近年来，词袋（BOW）算法提供了高效特征并提升了 ECG 分类系统的准确率。然而，BOW 算法有两个缺点：（1）量化误差大且重建性能差；（2）丢失心拍的时间信息，并可能为不同种类心拍提供混淆特征。此外，ECG 分类系统可用于心血管患者的长时间监测与分析，但会产生海量数据，因此我们迫切需要一个高效的压缩算法。针对上述问题，我们利用小波特征构造稀疏字典，将量化误差降至最低。为降低算法复杂度并适应大规模心拍运算，我们将在线字典学习与 Feature-sign 算法结合以更新字典与系数。系数矩阵用于表示 ECG 心拍，大幅降低了内存消耗，同时解决了量化误差问题。最后，我们构造金字塔以匹配各 ECG 心拍的系数。由此，我们通过时间随机池化获得了包含心拍时间信息的特征，有效解决了丢失时间信息的问题。实验结果表明：一方面，所提算法相对于 BOW 具有高重建性能优势，该存储方法高保真且低内存消耗；另一方面，我们的算法在 ECG 心拍分类中取得了最高准确率；因此该方法更适用于大规模心拍数据的存储与分类。
引用
@article{arxiv.2008.06672,
title = {ECG beats classification via online sparse dictionary and time pyramid matching},
author = {Nanyu Li and Yujuan Si and Duo Deng and Chunyu Yuan},
journal= {arXiv preprint arXiv:2008.06672},
year = {2020}
}
备注
7 pages,5 figure