.png){kind=icon}
返回
Machine Intelligence on the Edge: Interpretable Cardiac Pattern Localization Using Reinforcement Learning
.png){kind=icon}
OA
AI
DOI：10.1007/s11633-026-1661-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
匹配滤波器因其高效率和可解释性被广泛应用于信号模式定位。然而，对于低信噪比（SNR）信号（如边缘设备记录的信号），其有效性会下降，因为在滤波器有限长度内，显著的噪声模式可能非常接近目标。一个例子是耳电图（ear-ECG），其中心电信号被衰减且严重受到伪影干扰。为解决此问题，我们提出顺序匹配滤波器（SMF），一种用强化学习智能体设计的滤波器序列来替代传统单个匹配滤波器的范式。通过将滤波器设计表述为顺序决策过程，SMF能够自适应地设计信号特定的滤波器序列，同时通过揭示驱动决策过程的关键模式保持完全可解释性。所提出的SMF框架在三个具有挑战性的真实世界ECG数据集上实现了最先进的R波峰检测和生理状态分类性能，显示出其在可靠且可解释的临床决策支持方面具有巨大潜力。所提出的表述方法也可扩展到需要从噪声污染信号中精确定位模式的各种应用中。
Keyword:
Reinforcement learning
filter design
matched filter
ECG R-peak detection
wearable sensors
期刊
IF:
8.7
论文数:
303
被引数:
882
机构
引用论文
Identification of typical building daily electricity usage profiles using Gaussian mixture model-based clustering and hierarchical clustering.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏Earable Multimodal Sensing and Stimulation: A Prospective Toward Unobtrusive Closed-Loop Biofeedback可穿戴多模态传感与刺激：一种面向无干扰闭环生物反馈的前瞻
PREAI
分享收藏分享收藏
查看更多内容