.png){kind=icon}
返回
A Deep Learning-Based Compressed Sensing Method for Electrocardiogram Signals
.png){kind=icon}
PRE
AI
DOI：10.1007/s00034-026-03506-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
心电图（ECG）压缩减少带宽和存储需求，实现实时传输和长期监测。然而，许多传统方法在低采样率下难以重建信号。深度学习（DL）可提升该条件下的重建性能。本研究提出了一种基于DL的ECG压缩与重建方法，结合压缩感知（CS）与基于膨胀卷积神经网络（CNN）块的展开架构。在训练过程中学习感知算子，重建通过包含数据一致性更新和膨胀CNN修正模块的展开迭代进行。卷积块内应用自适应阈值，并采用样本依赖的缩放机制调整修正项。此外，采用多采样率（SR）训练设置，允许在不同SR值下使用同一组参数和共享学习测量矩阵而无需重新训练。该方法在MIT-BIH心律失常数据库和非侵入式胎儿ECG心律失常数据库（NIFEA）上使用PRD和SNR进行评估，并与DL基线方法和经典CS算法进行比较。所提方法在所有采样率下均优于竞争方法，PRD更低且SNR更高。在MIT-BIH的SR = 0.50下，所提方法比最佳竞争方法SNR高约1.8 dB，PRD低约0.23个百分点；在NIFEA的SR = 0.50下，SNR高约3.1 dB，PRD低约0.49个百分点。
Keyword:
Deep learning
Algorithm unrolling
Compressed sensing
Electrocardiogram compression
期刊
C
IF:
2
论文数:
326
被引数:
0
机构
引用论文
.png){kind=icon}
ISTA-Net: Interpretable Optimization-Inspired Deep Network for Image Compressive SensingIsta-net: 用于图像压缩感知的可解释优化启发的深度网络
OAAI
OAAI分享收藏
查看更多内容