RPnet：一种用于含噪 ECG 中 R 波峰稳健检测的深度学习方法
信号处理
2020-04-20 v1 机器学习
摘要
心电图信号中 R 波峰的自动检测在包括心率变异性(HRV)分析和心血管疾病(CVD)诊断在内的众多应用中至关重要。尽管已有许多成功解决该问题的方法，现有检测器在含有噪声和 HRV 不规则的 ECG 片段上性能明显下降。另一方面，基于深度学习(DL)的方法已证明善于对含噪数据建模。在图像到图像翻译中，Unet 是许多网络的基本模块。本工作提出一种结合 Inception 和残差块的 Unet 的新颖应用，以从 ECG 中提取 R 波峰。此外，该问题表述也稳健地处理了 ECG R 波峰变异性和稀疏性的问题。所提网络在包含 CVD 的 ECG 片段数据库上训练，并在验证集上与三种传统 ECG 检测器测试对比。模型取得了 0.9837 的 F1 分数，较其他心拍检测器有实质性改进。此外，模型还在另外三个数据库上评估。所提网络在所有数据集上均取得高 F1 分数，确立了其泛化能力。另外，对不同噪声水平下模型性能进行了透彻分析。
引用
@article{arxiv.2004.08103,
title = {RPnet: A Deep Learning approach for robust R Peak detection in noisy ECG},
author = {Sricharan Vijayarangan and Vignesh R and Balamurali Murugesan and Preejith SP and Jayaraj Joseph and Mohansankar Sivaprakasam},
journal= {arXiv preprint arXiv:2004.08103},
year = {2020}
}
备注
Accepted in EMBC 2020