基于一维卷积神经网络的低质量Holter心电图鲁棒R波峰值检测
信号处理
2022-02-03 v2 计算机视觉与模式识别
机器学习
摘要
从Holter或可穿戴设备获取的心电信号中的噪声与低质量会降低R波峰值检测算法的准确性与鲁棒性。本文提出了一种用于Holter心电信号R波峰值检测的通用鲁棒系统。尽管许多已有算法已成功解决心电R波峰值检测问题,但这些检测器在此类低质量心电记录上的性能仍存在显著差距。因此,本研究采用一种新颖的一维卷积神经网络(CNN)实现,并结合验证模型以减少误报数量。该CNN架构由一个编码器块与一个对应的解码器块组成,其后接样本级分类层,以从输入心电信号构建R波峰值的1D分割图。一旦所提模型训练完成,它可单独用于快速准确地检测单通道心电数据流中的R波峰值,或者也可方便地用于轻量级便携设备上的实时监测。该模型在两个开放访问心电数据库上测试:包含超过一百万次心跳的中国生理信号挑战赛(2020)数据库(CPSC-DB)与常用的MIT-BIH心律失常数据库(MIT-DB)。实验结果表明,所提系统方法在CPSC-DB上达到99.30%的F1分数、99.69%的召回率与98.91%的精确率,为有史以来最佳的R波峰值检测性能。与所有竞争方法相比,所提方法在Holter心电信号中将假阳性与假阴性分别降低超过54%与82%。结果还表明在MIT-DB上取得与多数竞争算法相似或更好的性能,F1分数为99.83%、召回率99.85%、精确率99.82%。
引用
@article{arxiv.2101.01666,
title = {Robust R-Peak Detection in Low-Quality Holter ECGs using 1D Convolutional Neural Network},
author = {Muhammad Uzair Zahid and Serkan Kiranyaz and Turker Ince and Ozer Can Devecioglu and Muhammad E. H. Chowdhury and Amith Khandakar and Anas Tahir and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2101.01666},
year = {2022}
}