ECG-DelNet：基于神经网络与混合质量标注的动态心电描记图波形 delineation
机器学习
2020-05-12 v1 信号处理
机器学习
摘要
心电图(ECG)检测与波形 delineation 是临床实践中众多任务的关键步骤，因为 ECG 是评估心脏状况最常用的无创检查。最先进的算法采用数字信号处理(DSP)，其需要繁琐的规则适配以应对新形态。相比之下，深度学习(DL)算法，尤其在分类方面，正于学术界与工业界获得重视。然而，模型可解释性不足与数据库规模小阻碍了其适用性。我们证明，通过将 ECG 检测与波形 delineation 嵌入分割框架，DL 可成功应用于低可解释性任务。为此，我们调整并验证了图像分割中最常用的神经网络架构 U-Net 至一维数据。该模型使用 PhysioNet 的 QT 数据库（包含 105 段动态 ECG 记录）进行训练，涵盖单导联与多导联场景。为缓解数据稀缺，我们尝试了使用低质量数据标签进行预训练、执行基于 ECG 的数据增强以及对架构施加强模型正则化等数据正则化技术。我们还评估了模型容量（U-Net 的深度与宽度）的其他变体，以及最先进附加模块的应用。这些变体以 5 折交叉验证方式进行了详尽验证。性能最佳的配置在 P、QRS 与 T 波上分别达到 90.12%、99.14%、98.25% 的精确率与 98.73%、99.94%、99.88% 的召回率，与基于 DSP 的方法相当。尽管作为一种数据饥渴的技术且在小数据集上训练，基于 DL 的方法仍被证明是传统基于 DSP 的 ECG 处理技术的可行替代方案。
引用
@article{arxiv.2005.05236,
title = {ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks},
author = {Guillermo Jimenez-Perez and Alejandro Alcaine and Oscar Camara},
journal= {arXiv preprint arXiv:2005.05236},
year = {2020}
}
备注
15 pages, 7 figures, 3 tables