基于心震图的端到端深度学习用于可靠心脏活动监测
机器学习
2020-10-13 v1 信号处理
摘要
持续监测心脏活动对于了解心脏功能以及识别心房颤动等病症的前兆至关重要。通过持续心脏监测，可在实际事件发生前检测到任何潜在疾病的早期迹象，从而采取及时的预防措施。心电图（ECG）是临床和非临床应用中心脏功能监测的既定标准，但其基于电极的实现方式使其 cumbersome，尤其对于不间断监测。因此我们提出 SeismoNet，一种深度卷积神经网络（Deep Convolutional Neural Network），旨在提供端到端解决方案，从心震图（SCG）信号中稳健地观测心脏活动。这些 SCG 信号基于运动，可以以简便、用户友好的方式获取。此外，深度学习的应用使得能够直接从 SCG 信号中检测 R 波峰，尽管其形态噪声严重，且免去了提取手工特征的需要。SeismoNet 在公开可用的 CEBS 数据集上建模，实现了 0.98 和 0.98 的高总体灵敏度和阳性预测值。
引用
@article{arxiv.2010.05662,
title = {End-to-End Deep Learning for Reliable Cardiac Activity Monitoring using Seismocardiograms},
author = {Prithvi Suresh and Naveen Narayanan and Chakilam Vijay Pranav and Vineeth Vijayaraghavan},
journal= {arXiv preprint arXiv:2010.05662},
year = {2020}
}