基于CNN的可泛化信息融合从多模态数据中进行鲁棒心跳检测
信号处理
2018-07-10 v1 计算机视觉与模式识别
医学物理
摘要
目的：心跳检测始终是心脏疾病诊断与管理的核心，传统上基于心电图（ECG）进行。为提高检测的鲁棒性与准确性，尤其在某些重症监护场景中，近期有人建议采用如动脉血压（BP）等额外生理信号。其中，心跳位置的估计需要来自多信号的信息融合。然而，该方向上的已有工作往往通过分别对各个信号获得的中间估计进行投票，较为间接地得到多模态估计。相反，我们提出直接融合来自多个信号的信息而无需中间估计，从而以鲁棒方式估计心跳位置。方法：我们提出一种作为心跳检测器的卷积神经网络（CNN），其从多个生理信号中学习融合特征。该方法消除了对手工选取的信号特定特征与临时融合方案的需求。此外，作为数据驱动方法，同一算法可从任意信号集合中学习合适特征。结果：使用PhysioNet 2014挑战赛数据库的ECG与BP信号，我们获得了94%的得分。进一步，使用MIT-BIH心律失常数据库的两个ECG通道，我们取得了99.92%的得分。这两项得分均优于先前报道的数据库特定结果。同时，我们的检测器在多种临床条件下均实现了高精度。结论：所提出的基于CNN的信息融合（CIF）算法在从多信号检测心跳位置方面具有可泛化、鲁棒且高效的特点。意义：在医疗信号监测系统中，即使仅有部分通道可靠，我们的技术也能准确估计心跳位置。
引用
@article{arxiv.1807.03232,
title = {Robust Heartbeat Detection from Multimodal Data via CNN-based Generalizable Information Fusion},
author = {B S Chandra and C S Sastry and S Jana},
journal= {arXiv preprint arXiv:1807.03232},
year = {2018}
}