DR-net-Mamba利用选择性状态空间建模实现长程ECG去噪
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
DR-net-Mamba在卷积瓶颈处插入选择性状态空间模块，结合局部特征提取与长程时序建模，保持线性复杂度。在超40种病理类别的合成及真实数据集上，该模型取得最高SNR与最低RMSE，且随序列变长或低SNR下优势更显著。下游诊断分类中，其宏观AUROC优于所有对比去噪器并超越卷积基线。导联特异变体是唯一在两种分类器上均改善校准指标的去噪器，对ST/T变化等依赖宽泛波形的诊断提升极大。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载架构设计与复杂度优势
针对心电记录中的非平稳噪声，现有深度学习去噪器存在明显缺陷：卷积架构受限于感受野大小，Transformer随序列长度呈二次方扩展，扩散模型推理成本过高。DR-net-Mamba通过在卷积瓶颈处插入Mamba选择性状态空间模块，将局部特征提取与长程时序建模相结合，同时维持了线性计算复杂度，从而有效应对长时程动态心电记录的去噪挑战。
重建保真度与鲁棒性评估
研究在超过40种病理类别的合成与真实数据集上，从重建保真度、噪声鲁棒性、记录长度扩展及下游诊断分类四个维度进行全面评估。结果表明，该模型实现了最高的信噪比与最低的均方根误差。Mamba架构的优势随序列长度增加而扩大，并在低信噪比区间表现尤为突出，证明了其在长程与强噪声场景下的卓越鲁棒性。
下游诊断分类与校准表现
使用两个独立分类器评估下游任务，基于Mamba的去噪模型在所有对比去噪器中取得最佳宏观AUROC，且优于其卷积基线模型。校准结果则依赖分类器：去噪在Inception1D上改善二元交叉熵和Brier分数，但在ResNet1D-Wang上常不及噪声输入。导联特异Mamba变体是唯一在两种分类器上均改善双校准指标的去噪器。逐类分析揭示，该模型对依赖宽泛上下文敏感波形的ST/T变化诊断改善极大。
为什么值得看
解决Transformer二次复杂度与卷积感受野受限问题，为长时程生理信号去噪及下游诊断提供线性复杂度新架构。
数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。