
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于强化学习的序贯匹配滤波器在低信噪比心电信号模式检测中的应用
《Machine Intelligence Research》:Machine Intelligence on the Edge: Interpretable Cardiac Pattern Localization Using Reinforcement Learning
【字体: 大 中 小 】 时间:2026年09月18日 来源:Machine Intelligence Research 10.0
编辑推荐:
摘要匹配滤波器由于其高效率和高可解释性,被广泛用于定位信号模式。然而,在低信噪比(SNR)信号中,其有效性会显著下降,例如在边缘设备中记录的信号,由于噪声模式在滤波器有限长度内可能与目标信号高度相似。一个典型例子是耳部心电信号(耳部心电图),其中心脏信号被衰减并受到伪影的严重
匹配滤波器由于其高效率和高可解释性,被广泛用于定位信号模式。然而,在低信噪比(SNR)信号中,其有效性会显著下降,例如在边缘设备中记录的信号,由于噪声模式在滤波器有限长度内可能与目标信号高度相似。一个典型例子是耳部心电信号(耳部心电图),其中心脏信号被衰减并受到伪影的严重干扰。为解决这一问题,我们提出了序贯匹配滤波器(SMF),这是一种用强化学习智能体设计的一系列滤波器替代传统单个匹配滤波器的范式。通过将滤波器设计建模为序贯决策过程,SMF能够自适应地设计针对特定信号的滤波器序列,同时通过揭示驱动决策过程的关键模式保持完全的可解释性。所提出的SMF框架具有为临床决策提供可靠且可解释支持的强大潜力,这已通过其在三个具有挑战性的真实世界心电图数据集上实现的先进R波检测性能和生理状态分类性能得到验证。所提出的方法还可以扩展到需要从事先噪声信号中准确定位模式的各种广泛应用中。
匹配滤波器由于其高效率和高可解释性,被广泛用于定位信号模式。然而,在低信噪比(SNR)信号中,其有效性会显著下降,例如在边缘设备中记录的信号,由于噪声模式在滤波器有限长度内可能与目标信号高度相似。一个典型例子是耳部心电信号(耳部心电图),其中心脏信号被衰减并受到伪影的严重干扰。为解决这一问题,我们提出了序贯匹配滤波器(SMF),这是一种用强化学习智能体设计的一系列滤波器替代传统单个匹配滤波器的范式。通过将滤波器设计建模为序贯决策过程,SMF能够自适应地设计针对特定信号的滤波器序列,同时通过揭示驱动决策过程的关键模式保持完全的可解释性。所提出的SMF框架具有为临床决策提供可靠且可解释支持的强大潜力,这已通过其在三个具有挑战性的真实世界心电图数据集上实现的先进R波检测性能和生理状态分类性能得到验证。所提出的方法还可以扩展到需要从事先噪声信号中准确定位模式的各种广泛应用中。