ECGrecover：一种用于电生理图信号补全的深度学习方法
信号处理
2025-01-22 v3 计算机视觉与模式识别
机器学习
摘要
本 work 解决了从 ECG 信号的不完整部分重建完整 12 导联 ECG 信号的挑战。我们关注两个主要场景：（i）在 ECG 单导联内重建缺失的信号片段，（ii）从另一个唯一导联的信号中恢复整个导联。这两种临床应用都凸显了我们的工作的相关性。第一个是数字化存储的纸质 ECG 以用于 AI 应用程序的需求，通常仅限于数字 12 导联 10 秒 ECG。第二个是佩戴式设备的广泛使用，这些设备记录的 ECG 通常仅捕获一个或几个导联。在这两种情况下，都会丢失或未记录大量信息。我们的目标是恢复这些缺失的信号。我们提出 ECGrecover，一种基于 U-Net 神经网络的模型，训练使用一种新型复合目标函数以解决重建问题。该函数通过结合�幅距离和通过时间同步来整合 ECG 信号的空间和时间特征。我们使用真实世界 ECG 数据集，并通过全面评估将 ECGrecover 与三种基于生成对抗网络的方法（EKGAN、Pix2Pix）以及 CopyPaste 策略进行比较。结果表明，ECGrecover 在标准失真指标上以及在保持关键 ECG 特征（特别是 P、QRS 和 T 波坐标）方面 consistently 优于最先进的方法。
引用
@article{arxiv.2406.16901,
title = {ECGrecover: a Deep Learning Approach for Electrocardiogram Signal Completion},
author = {Alex Lence and Federica Granese and Ahmad Fall and Blaise Hanczar and Joe-Elie Salem and Jean-Daniel Zucker and Edi Prifti},
journal= {arXiv preprint arXiv:2406.16901},
year = {2025}
}
备注
31 pages, 14 figures, 29 tables, conference paper