基于 Tiramisu 模型的搏动间期估计：一种降低误差的新方法
信号处理
2021-07-05 v1 机器学习
摘要
搏动间期(IBI)测量可用于估计心率变异性(HRV)，进而为潜在心血管疾病提供早期指示。然而，从含噪信号中提取 IBI 具有挑战性，因为噪声存在时信号形态会发生畸变。剧烈运动者的心电图(ECG)受到严重的运动伪影噪声污染，从中提取的 IBI 不准确。作为远程健康监测和可穿戴系统开发的一部分，对 ECG 信号去噪并从中正确估计 IBI 已成为信号处理研究者的新兴课题。除传统方法外，深度学习技术近来已成功用于信号去噪，使诊断过程更加容易，并达到了以往无法实现的精度水平。我们提出一种利用 tiramisu 自编码器模型的深度学习方法，以抑制运动伪影噪声，并使 ECG 信号的 R 波峰即使在强运动下也显著突出。去噪后，IBI 估计更准确，从而加速诊断任务。结果表明，我们的方法能够从信噪比(SNR)高达 -30dB 的含噪 ECG 信号中估计 IBI，估计 IBI 的平均均方根误差(RMSE)为 13 毫秒。在该噪声水平下，我们的误差百分比保持在 8% 以下，优于其他 SOTA 技术。
引用
@article{arxiv.2107.00693,
title = {Inter-Beat Interval Estimation with Tiramisu Model: A Novel Approach with Reduced Error},
author = {Asiful Arefeen and Ali Akbari and Seyed Iman Mirzadeh and Roozbeh Jafari and Behrooz A. Shirazi and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2107.00693},
year = {2021}
}
备注
16 pages, 14 figures