基于ECG信号多域融合的多级压力评估
计算机视觉与模式识别
2020-08-14 v1 机器学习
摘要
利用ECG作为生理信号进行压力分析及情感心理状态评估，是生物医学信号处理中的热点研究课题。然而，现有文献仅提供压力的二分类评估，而多级评估可能对医疗健康应用更为有益。此外，在当前研究中，用于压力分析的ECG信号多在空间域或变换域中独立考察，但这些域融合的优势尚未被充分利用。为最大程度利用不同域的融合优势，我们引入了一个具有多级压力的数据集，并提出了一种新颖的深度学习方法，基于R-R峰将ECG信号转换为信号图像而不进行任何特征提取，进而对这些级别进行分类。此外，我们通过Gabor小波变换（GWT）和离散傅里叶变换（DFT）分别将信号图像转换至时频域和频域，使其变为多模态、多域信号图像。使用卷积神经网络（CNNs）从不同模态中提取特征，并进行决策级融合以提高分类准确率。在15名用户采集的室内数据集上的实验结果表明，采用所提融合框架并利用ECG信号转图像，我们达到了85.45%的平均准确率。
引用
@article{arxiv.2008.05503,
title = {Multi-level Stress Assessment Using Multi-domain Fusion of ECG Signal},
author = {Zeeshan Ahmad and Naimul Khan},
journal= {arXiv preprint arXiv:2008.05503},
year = {2020}
}