具有软自适应阈值谱增强的谱跨域神经网络
机器学习
2023-11-10 v2 人工智能
信号处理
摘要
心电图（ECG）信号可视为多变量时间序列。当前最先进的 ECG 数据分类方法，无论是基于特征工程还是深度学习技术，都在机器学习系统中分别处理谱域和时域。现有方法在分类器模型内部缺乏谱-时域通信机制，导致难以识别复杂 ECG 形态。本文提出一种名为谱跨域神经网络（SCDNN）的新型深度学习模型，并引入称为软自适应阈值谱增强（SATSE）的新模块，以在神经网络内部同时揭示嵌入于谱域和时域的关键信息。更确切地说，跨域信息由通用卷积神经网络（CNN）主干捕获，不同信息源通过自适应机制融合以挖掘时域与谱域间的联系。在 SATSE 中，时域和谱域知识通过快速傅里叶变换（FFT）结合修正 Sigmoid 函数中可训练的软阈值提取。所提出的 SCDNN 在公开 ECG 数据库 \textit{PTB-XL} 和 \textit{MIT-BIH} 上实现的若干分类任务进行了测试。SCDNN 通过在无限谱映射中找到合适域，在两个数据库的所有分类任务上以低计算成本在多种指标上优于最先进方法。本文还对谱域中可训练阈值的收敛性进行了数值研究。SCDNN 的鲁棒性能为跨时域和谱域深度学习模型挖掘知识提供了新视角。代码仓库见：https://github.com/DL-WG/SCDNN-TS
引用
@article{arxiv.2301.10171,
title = {Spectral Cross-Domain Neural Network with Soft-adaptive Threshold Spectral Enhancement},
author = {Che Liu and Sibo Cheng and Weiping Ding and Rossella Arcucci},
journal= {arXiv preprint arXiv:2301.10171},
year = {2023}
}