表征学习中用于 ECG 分类的分段匹配层
信号处理
2020-10-14 v1 计算机视觉与模式识别
机器学习
图像与视频处理
摘要
本文提出分段匹配层作为表征学习方法中用于心电图（ECG）分类的一种新颖层。尽管表征学习方法在时序分析中有着卓越表现，这些方法仍面临若干挑战，包括方法结构复杂、解缺乏通用性、需要专家知识以及大规模训练数据集。我们引入基于两个层级工作的分段匹配层，以应对上述部分挑战。在第一层级，基于每个周期部分及其邻域计算一组形态、统计和频率特征及其比较形式。在第二层级，这些特征通过基于感受野场景的预定义变换函数进行修改。基于感受野长度与指示机制的选择，可实现离线处理、增量处理、固定滑动感受野和基于事件的触发感受野等多种场景。我们提出动态时间规整作为一种基于事件触发策略指示感受野的机制。为评估该方法在时序分析中的性能，我们将所提层应用于 2015 年和 2017 年 PhysioNet 竞赛的两个公开数据集，其输入数据为 ECG 信号。我们将方法性能与来自专家知识、机器学习、深度学习方法及其组合的多种已知调优方法进行比较。所提方法在 2015 和 2017 两个已知竞赛中将 SOTA 分别提升约 4% 和 7%，且它不依赖于类别的先验知识或心律失常的可能位置。
引用
@article{arxiv.2010.06510,
title = {Piece-wise Matching Layer in Representation Learning for ECG Classification},
author = {Behzad Ghazanfari and Fatemeh Afghah and Sixian Zhang},
journal= {arXiv preprint arXiv:2010.06510},
year = {2020}
}