网站导航
> 技术文档 > 基于卷积傅里叶分析网络 （CFAN）的心电图分类的统一时频方法

基于卷积傅里叶分析网络 （CFAN）的心电图分类的统一时频方法

网友: 技术文档 2025-07-26 20:28:44

一、研究背景与核心问题​

  1. ​ECG分类的挑战​：
    心电图（ECG）信号分类在心律失常检测、身份识别等地方至关重要，但传统方法难以同时有效整合时域和频域信息。现有方法包括：

    • ​时域分类（CNN1D）​​：直接处理原始信号。
    • ​频域分类（FFT1D）​​：通过傅里叶变换提取频域特征。
    • ​时频域分类（SPECT）​​：将信号转为频谱图后用2D CNN处理，但转换过程可能丢失信息。
    • ​局限​：SPECT性能未达预期，需更优的时频融合方案。

  2. ​FAN的启发​：
    傅里叶分析网络（FAN）通过正弦/余弦激活函数捕捉周期性特征，但仅用于全连接层，对卷积层未充分探索。

​二、创新方法：CFAN架构​

  1. ​核心设计​：

    • ​CONV-FAN模块​（图10b）：
      • 将卷积层替换为包含独立权重矩阵的正弦（sin）、余弦（cos）和GELU激活函数的混合模块。
      • 比例：GELU : sin : cos = 1:1:1（对比FAN的4:1）。

 

    • 端到端时频融合​：无需预生成频谱图，直接在网络中学习联合特征。

  2. ​架构细节​：

    • ​MIT-BIH/ECG-ID任务​（图12）：
      • 输入 → CONV-FAN（3层，每层32滤波器）→ 跳跃连接+注意力 → 全连接层。

 

Apnea-ECG任务​（图11）：

  • 类似结构，但CONV-FAN每层仅4滤波器（总计12）。

 

    • 关键改进​：独立权重矩阵（优于共享权重的CSFAN变体）。

​三、实验与结果​

  1. ​数据集与预处理​：

    • ​MIT-BIH​（心律失常分类）：109,451个心拍，5类别（正常、室上性早搏等）。

 

ECG-ID​（身份识别）：90人，2,456个心拍（图4）。 

 

    • pnea-ECG​（呼吸暂停检测）：15,880个1分钟片段（图3c）。

  2. ​基准方法对比​：

    • SPECT（频谱图+EfficientNetB0）、CNN1D、FFT1D、CNN1D-FAN（全连接层替换为FAN）。

  3. ​性能优势​：

    ​方法​ ​MIT-BIH (Acc%)​​ ​ECG-ID (Acc%)​​ ​Apnea-ECG (Acc%)​​ SPECT 98.93 95.34 89.86 CNN1D 98.92 95.20 93.90 ​CFAN​ ​98.95​ ​96.83​ ​95.01​
    • ​统计显著性​：CFAN在ECG-ID（p=0.02）和Apnea-ECG（p=0.0009）显著优于次优方法（CNN1D-FAN）。
    • ​效率​：参数量与CNN1D相同，但推理时间略增（表I）。

  4. ​消融实验​：

    • ​独立权重关键性​：CFAN（独立权重）> CSFAN（共享权重），如ECG-ID精度差0.9%。
    • ​全领域最优​：CFAN在时域、频域及时频域任务中均超越基准。

​四、贡献与意义​

  1. ​理论突破​：

    • 首次将傅里叶分析嵌入卷积层，实现端到端时频联合学习。
    • 验证周期性激活函数在生物医学信号中的普适性。

  2. ​应用价值​：

    • ​心律失常分类​：刷新MIT-BIH准确率（98.95%）。
    • ​身份识别​：ECG-ID准确率96.83%，优于文献最佳（96%）。
    • ​呼吸暂停检测​：Apnea-ECG准确率95.01%，超越主流方法（如Bhongade的94.77%）。

  3. ​泛化潜力​：

    • 架构可扩展至其他时频敏感任务（如脑电、语音分析）。

五、核心代码

CONV-FAN块实现（核心创新） 

import tensorflow as tffrom tensorflow.keras.layers import Layer, Conv1Dclass CONV_FAN(Layer): \"\"\"CONV-FAN块：融合GELU、正弦、余弦激活的卷积层\"\"\" def __init__(self, filters, kernel_size, ratio=(1,1,1), ​**kwargs): super().__init__(**kwargs) self.filters = filters # 独立权重矩阵的三路卷积（GELU/sin/cos） self.conv_g = Conv1D(filters * ratio[0], kernel_size, padding=\'same\', activation=\'gelu\') self.conv_s = Conv1D(filters * ratio[1], kernel_size, padding=\'same\', activation=tf.sin) # 正弦激活 self.conv_c = Conv1D(filters * ratio[2], kernel_size, padding=\'same\', activation=tf.cos) # 余弦激活 def call(self, inputs): # 并行三路卷积 g_path = self.conv_g(inputs) # GELU路径 s_path = self.conv_s(inputs) # 正弦路径 c_path = self.conv_c(inputs) # 余弦路径 # 沿通道维度拼接 (B, T, C1+C2+C3) return tf.concat([g_path, s_path, c_path], axis=-1) def get_config(self): return {\'filters\': self.filters}

六、结论​

CFAN通过统一时频卷积模块解决了传统方法分割处理的局限，在ECG分类中实现SOTA性能，并为生物医学信号分析提供了新范式。其核心创新在于直接融合傅里叶原理与卷积操作，避免了人工特征工程或信号转换的瓶颈。

网络标签：

相关问题