增强 CNN 对噪声的鲁棒性以分类变长 12 导联 ECG
信号处理
2020-12-02 v4 计算机视觉与模式识别
机器学习
摘要
心电图(ECG)是监测心血管系统状况最常用的诊断工具。许多研究实验室已开发深度神经网络(DNNs)用于 ECG 信号的自动解读,以识别患者心脏的潜在异常。研究表明,在给定足量数据的情况下,DNNs 的分类准确率可达人类专家 cardiologist 水平。然而,尽管分类准确率表现优异,已有研究表明 DNNs 对对抗噪声高度脆弱——对抗噪声是 DNN 输入中的细微改动,会导致以高置信度预测错误类别标签。因此,对于 ECG 信号分类这一生命关键应用,提升 DNNs 对抗对抗噪声的鲁棒性既具挑战又至关重要。本工作中,我们设计了一个用于变长 12 导联 ECG 信号分类的 CNN,并应用三种防御方法提升该 CNN 在此分类任务中的鲁棒性。本研究中的 ECG 数据极具挑战性,因为样本量有限,且每例 ECG 记录长度变化范围很大。评估结果显示,我们的定制 CNN 达到了令人满意的 F1 分数与平均准确率,可与 CPSC2018 ECG 分类挑战赛前六名相当,且防御方法增强了对抗噪声与白噪声下 CNN 的鲁棒性,同时在干净数据上准确率降幅极小。
引用
@article{arxiv.2008.03609,
title = {Enhance CNN Robustness Against Noises for Classification of 12-Lead ECG with Variable Length},
author = {Linhai Ma and Liang Liang},
journal= {arXiv preprint arXiv:2008.03609},
year = {2020}
}
备注
This paper is accepted by 19TH IEEE International Conference on Machine Learning and Applications (ICMLA2020)