探究 ECG 噪声检测在不同数据来源和噪声类型上的通用性
机器学习
2025-12-17 v2
摘要
电子心电图 (ECG) 是监测心脏健康的关键工具，使人类能够评估心率变异性 (HRV)、检测心律失常，并诊断心血管疾病。然而，来自可穿戴设备的 ECG 信号常常被噪声伪影所破坏，尤其是源于运动和大肌肉活动的噪声，这些噪声扭曲 R 峰和 QRS 复合物。这些扭曲阻碍可靠的 HRV 分析，增加临床误解的风险。现有研究通常在单个数据集上评估性能，限制了对此类方法在不同传感器和记录条件下通用性的洞察。本文提出一种基于 HRV 的机器学习方法，用于检测带噪声的 ECG 段，并通过在四个数据集上的跨数据集实验评估其通用性，这些数据集分别在受控和非受控环境中收集。我们的方法在平均准确率超过 90%，AUPRC 超过 90% 的情况下表现出色，即使是在以前未见过的数据集上，也能证明其在异构数据源上的稳健性能。为支持可重复性和进一步研究，我们还发布了一个标记用于噪声伪影的精选 ECG 数据集。
引用
@article{arxiv.2502.14522,
title = {Investigating the Generalizability of ECG Noise Detection Across Diverse Data Sources and Noise Types},
author = {Sharmad Kalpande and Nilesh Kumar Sahu and Haroon Lone},
journal= {arXiv preprint arXiv:2502.14522},
year = {2025}
}