利用循环神经网络学习QRS检测的后处理
信号处理
2021-10-11 v1 机器学习
摘要
基于深度学习的QRS检测算法通常需要必要的后处理来精炼预测流以实现R峰定位。后处理执行的信号处理任务从简单的(如去除预测流中孤立的0或1)到复杂的步骤不等,后者需要领域特定知识,包括QRS波群范围或R-R间期的阈值下限。这些阈值通常因QRS检测研究而异,并针对目标数据集经验性确定,若目标数据集不同则可能有影响。此外,这些研究通常未能识别深度学习模型与后处理的相对优势以适当权衡。本研究将QRS检测文献中的后处理分为两级——中等与高级——并主张应由一个称为门控循环单元(Gated Recurrent Unit, GRU)的适当深度学习模块来学习这些阈值,以避免显式设置后处理阈值。这是通过利用从手工特征工程转向基于深度学习的特征提取的相同理念实现的。结果表明,GRU学习了后处理级别,且使用基于GRU的后处理的QRS检测性能略逊于领域特定的手动后处理,但无需使用领域特定阈值参数。据我们所知,利用GRU从CNN模型生成的预测流中学习QRS检测后处理尚属首次。该成果被用于推荐一种模块化的QRS检测系统设计,其中CNN模型与后处理的复杂度级别可根据部署环境调节。
引用
@article{arxiv.2110.04130,
title = {Learning post-processing for QRS detection using Recurrent Neural Network},
author = {Ahsan Habib and Chandan Karmakar and John Yearwood},
journal= {arXiv preprint arXiv:2110.04130},
year = {2021}
}