基于自组织运算神经网络的 Holter 心电图鲁棒 R 波检测
信号处理
2024-01-15 v2 机器学习
摘要
尽管文献中已提出众多 R 波检测器,但其鲁棒性与性能水平在来自移动心电图(ECG)传感器(如 Holter 监护仪)所采集的低质量含噪信号中可能会显著恶化。近来,该问题已由深度一维卷积神经网络(CNNs)解决,其在 Holter 监护仪中达到了最先进的性能水平;然而其复杂度高,需要专门的并行硬件设置以进行实时处理。另一方面,当使用紧凑网络配置时其性能会下降。这是预期结果,因为近期研究已表明 CNN 的学习性能受其仅含线性神经元模型的严格同质配置所限制。在本研究中,为进一步提升峰值检测性能并兼具优雅的计算效率,我们提出带生成神经元的一维自组织 ONNs(Self-ONNs)。一维 Self-ONNs 相对于 ONNs 的最关键优势在于其自组织能力,免去了为每个神经元搜索最佳算子集的需要,因为每个生成神经元均能在训练期间创建最优算子。在包含超一百万 ECG 心跳的 China Physiological Signal Challenge-2020 (CPSC) 数据集上的实验结果表明,所提一维 Self-ONNs 能以更低计算复杂度显著超越最先进的深度 CNN。结果显示所提方案在 CPSC 数据集中取得 99.10% F1 分数、99.79% 灵敏度与 98.42% 阳性预测率,这是迄今所取得的最佳 R 波检测性能。
引用
@article{arxiv.2110.02381,
title = {Robust Peak Detection for Holter ECGs by Self-Organized Operational Neural Networks},
author = {Moncef Gabbouj and Serkan Kiranyaz and Junaid Malik and Muhammad Uzair Zahid and Turker Ince and Muhammad Chowdhury and Amith Khandakar and Anas Tahir},
journal= {arXiv preprint arXiv:2110.02381},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2110.02215