Region Aggregation Network/ Improving Convolutional Neural Network for ECG Characteristic Detection
设计了一个叫做Region Aggregation Network(RAN)的网络来进行ECG8个特征点检测,RAN由一维卷积神经网络(CNN)和一个新的区域聚集模块RA组成,Region Aggregation代替CNN的全联接层。
算法框架:
- 去噪:
消除高频噪声和基线漂移,将去噪信号分割成单独的心跳,并将其输入CNN。
分割后,根据Xi‘中的最大值和最小幅度值对各段进行归一化,其中XI是各节中的第i个采样点的幅值,L是段的长度,Smax和Smin是最大和最小信号幅度值。归一化的目的是使模型对心电图振幅的变化更具有鲁棒性。然后我们对每个片段重新取样到325,因为CNN只能以固定大小的张量作为输入。
- 1D CNN+RA:
使用一维CNN和一个新的区域聚集模块从单拍心电图片段中提取特征并同时生成特征点。在区域聚合模块中,CNN生成的特征图被均匀地裁剪成多个区域,并作为分支分别输入全连接层。来自所有区域的最后一个FC层的特征被连接起来,并用于通过一个额外的回归层推断位置。
使用内核大小为2且步幅为2的卷积层,而不是使用池层来实现降采样。
输入尺寸325×1,输出尺寸21×128。
RA是在CNN的末尾将功能图分为N个区域,将每个区域作为分支分别输入到FC层中。然后将来自所有区域最后一个fc层的特征连接起来,并使用额外的回归层来推断特征点。
最后得到的是一个8个点的信号分割值
值在原信号中的位置使用下面公式计算:
对于整个框架,我们可以看成一个长度为325的信号,经过多个卷积,长度变成了21,因为多个卷积使得特征变成了128个。对于21128进行分割,分成三个7128,可以看成长度被分成三份,这三份分别进行RA,最后得出的结果进行拼接机会到了原来的信号顺序,最终一个长度为325的信号变成了8个信号点。