Feb, 2020

自监督的心电图表征学习用于情感识别

PDF
TL;DR本研究通过自监督深度多任务学习框架，利用信号变换识别网络学习心电图 (ECG) 表示，进而进行基于 ECG 的情感识别，结果显示该方案在情感分类领域取得显著表现，并针对自监督的多任务结构与预训练任务难度的影响进行了深入研究。
ecg-based emotion recognitionself-supervised learningmulti-task learningsignal transformation recognition networkarousal
发现论文，激发创造
  • 基于自监督学习的基于心电图的情感识别

    使用自我监督学习的心电图基于情感识别系统在分类唤醒度和价值评分方面表现出色，并且使用未标记的数据帮助该模型学习心电图特征流形。

    Oct, 2019

  • 基于 Transformer 的自监督学习在情感识别中的应用

    本文提出使用基于 Transformer 的模型处理心电图以进行情感识别，利用 Transformer 的注意机制为信号构建上下文化表示，并通过全连接网络对这些表示进行处理，以预测情感，同时利用自监督学习来克服情感标签数据集相对较小的限制，实现了对 AMIGOS 数据集上心电图情感识别的最新性能，并且表明了 Transformer 和预训练是应用于生理信号情感识别的有前途的策略。

    Apr, 2022

  • ECGBERT: 使用自监督表示学习了解心电图 (ECG) 的隐藏语言

    本文提出了一种基于自我监督表示学习的方法 ECGBERT，通过无监督预训练模型，缓解了医疗数据缺乏标注和筛选的问题，并在心房纤颤心律失常检测、心跳分类、睡眠呼吸暂停检测和用户认证等四个任务上展示了 ECGBERT 在各种基于 ECG 的问题上取得最先进的结果的潜力。

    Jun, 2023

  • 使用状态空间模型从普遍的心电图中扩展表示学习

    利用佩戴设备进行普遍感知在提升人类福祉方面具有潜力，从诊断临床状况和测量压力到构建适应性的促进健康的框架。然而，异质背景下的海量数据对传统的监督学习方法提出了挑战。生物信号的表示学习是一个新兴的领域，受到计算建模的最新进展和公开共享数据库的丰富影响。心电图（ECG）是这一领域的主要研究模态，具有健康监测、压力和情感估计等应用。我们引入了一种名为 WildECG 的预训练状态空间模型，用于从 ECG 信号进行表示学习。我们以自我监督的方式训练了这个模型，使用了从野外收集的 275,000 个 10 秒的 ECG 记录，并对各种下游任务进行评估。该模型对于 ECG 分析是一个稳健的基础架构，在大多数考虑到的任务中表现出竞争力，并且在资源有限的情况下显示出有效性。代码和预训练权重已公开共享在指定的 URL 网址。

    Sep, 2023

  • 基于自监督学习的脑电信号表示学习

    在多个领域，数据采集和标注的成本和实际应用性限制了监督式学习范式。本文提出了一种使用自监督学习范式从多元时间序列中学习信息表示的方法，并表明该方法没有依赖标签数据就可以超越纯监督式方法在低数据情况下应用于临床相关任务（如睡眠评分）以及两个脑电波数据集，并捕获了重要的生理信息。

    Nov, 2019

  • 无监督表示在语音情感识别中改善有监督学习

    该研究提出了一种创新的方法，通过将自我监督特征提取与监督分类相结合，从较小的音频片段中识别情感，提高了人机交互的情感理解能力。

    Sep, 2023

  • 使用自监督学习的多模态多导联心电图心律失常分类

    本论文提出了基于自监督学习技术的多模态心电图分类方法，利用单模态 ECG 的时间序列和频谱信息，以及 SSL-pre-stream 任务和 down-stream 任务结合的方式实现。在评估这种方法的有效性时，使用 12 导联 PhysioNet 2020 数据集进行了十折交叉验证。

    Sep, 2022

  • 释放遥测潜力：用于连续临床心电图监测的自监督学习

    将深度学习应用于大量未标记的心电图遥测数据，对 ICU 中的患者监测进行持续注释，从而提供独特的洞察力，改进护理质量。

    Jun, 2024

  • 基于主题的非对比自监督学习用于 ECG 信号处理

    介绍了一种新的自监督学习方法和使用 transformer blocks 的模型，能够提取 ECG 信号并捕获不同的睡眠阶段和不同心律失常。

    May, 2023

  • 无需反向传播学习心电图信号特征

    本文提出一种基于理论物理思想生成时序型数据表示的新方法，该方法旨在识别可以有效捕捉特定类别样本的共享特征的线性规律，并利用这些规律构建了一个具有良好解释性和可验证性的分类器不可知表示方法，该表示方法能够在广泛的场景下应用，以实现心电图信号分类等任务的最先进性能。

    Jul, 2023