Spectral Cross-Domain Neural Network with Soft-adaptive Threshold Spectral Enhancement

要約

心電図 (ECG) 信号は、多変数時系列として考えることができます。
最先端の ECG データ分類アプローチは、特徴量エンジニアリングまたは深層学習技術に基づいており、機械学習システムのスペクトル領域と時間領域を別々に扱います。
現在のアプローチでは、分類子モデル内のスペクトル時間領域通信メカニズムが見つからないため、複雑な ECG 形式を識別することが困難になります。
この論文では、ソフト適応閾値スペクトル強化 (SATSE) と呼ばれる新しいブロックを備えたスペクトル クロスドメイン ニューラル ネットワーク (SCDNN) と呼ばれる新しい深層学習モデルを提案し、内部のスペクトル領域と時間領域に埋め込まれた重要な情報を同時に明らかにしました。
ニューラルネットワーク。
より正確には、ドメイン間の情報は一般的な畳み込みニューラル ネットワーク (CNN) バックボーンによってキャプチャされ、さまざまな情報ソースが自己適応メカニズムによってマージされ、時間ドメインとスペクトル ドメインの間の接続がマイニングされます。
SATSE では、時間領域とスペクトル領域からの知識が、修正シグモイド関数のソフト トレーニング可能なしきい値を使用した高速フーリエ変換 (FFT) によって抽出されます。
提案された SCDNN は、公開 ECG データベース \textit{PTB-XL} および \textit{MIT-BIH} に実装されたいくつかの分類タスクを使用してテストされます。
SCDNN は、無限のスペクトル マッピングから適切なドメインを見つけることにより、両方のデータベースのすべての分類タスクにおけるさまざまなメトリクスに関して、低計算コストで最先端のアプローチを上回ります。
この論文では、スペクトル領域におけるトレーニング可能な閾値の収束も数値的に調査されています。
SCDNN の堅牢なパフォーマンスは、時間領域とスペクトル領域からの深層学習モデル全体の知識を活用するための新しい視点を提供します。
リポジトリは次の場所にあります: https://github.com/DL-WG/SCDNN-TS

要約(オリジナル)

Electrocardiography (ECG) signals can be considered as multi-variable time-series. The state-of-the-art ECG data classification approaches, based on either feature engineering or deep learning techniques, treat separately spectral and time domains in machine learning systems. No spectral-time domain communication mechanism inside the classifier model can be found in current approaches, leading to difficulties in identifying complex ECG forms. In this paper, we proposed a novel deep learning model named Spectral Cross-domain neural network (SCDNN) with a new block called Soft-adaptive threshold spectral enhancement (SATSE), to simultaneously reveal the key information embedded in spectral and time domains inside the neural network. More precisely, the domain-cross information is captured by a general Convolutional neural network (CNN) backbone, and different information sources are merged by a self-adaptive mechanism to mine the connection between time and spectral domains. In SATSE, the knowledge from time and spectral domains is extracted via the Fast Fourier Transformation (FFT) with soft trainable thresholds in modified Sigmoid functions. The proposed SCDNN is tested with several classification tasks implemented on the public ECG databases \textit{PTB-XL} and \textit{MIT-BIH}. SCDNN outperforms the state-of-the-art approaches with a low computational cost regarding a variety of metrics in all classification tasks on both databases, by finding appropriate domains from the infinite spectral mapping. The convergence of the trainable thresholds in the spectral domain is also numerically investigated in this paper. The robust performance of SCDNN provides a new perspective to exploit knowledge across deep learning models from time and spectral domains. The repository can be found: https://github.com/DL-WG/SCDNN-TS

arxiv情報

提供元, 利用サービス

arxiv.jp, Google