May, 2022

对比学习心电图表示增强方法分析

PDF
TL;DR本文系统地研究了对心电图信号进行对比自监督学习的各种增强方法的有效性并确定了最佳参数。通过实验得出，选择特定复杂度范围内的增强方法对于自监督对比学习效果更佳，而增强方法太简单或太复杂都会妨碍模型高效学习泛化表征，本研究可为未来自监督对比学习生物信号的研究提供参考并帮助选择不同增强方法的最佳参数。
contrastive self-supervised learningecg signalsencoderaugmentationsarrhythmia detection
发现论文，激发创造
  • 时间序列对比学习的参数增强

    通过分析时间序列数据增强使用信息理论，并总结最常采用的增强方法，我们提出了一种参数增强的对比学习框架 AutoTCL，它可以自适应地支持时间序列表示学习，无缝集成在不同的主干编码器中，实验证明在一元预测任务和分类任务中，我们的方法分别比领先的基准方法平均降低 6.5% 和 4.7% 的误差，并提高 1.2% 的平均准确率。

    Feb, 2024

  • 基于主题感知对比学习的生物信号处理

    本文提出了基于对比学习的无监督自适应方法来建模具有噪声标签和少数受试者的生物信号，通过特定于个体的对比损失和对抗性训练来提高模型性能，以及使用时间序列数据增强技术来完善对比损失，实现了对脑电解码和心电异常检测任务的良好分类结果。

    Jun, 2020

  • 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

  • 敌对掩蔽预训练心电图数据提高模型泛化能力用于数据稀缺任务

    本研究提出了一种采用敌对掩蔽技术增强医学数据集的自监督学习方法，该方法针对 12 导联心电图数据生成掩蔽增强，相比于传统增强方法在少样本数据集上表现更优，证明了该方法的泛化性。

    Nov, 2022

  • 自监督表征学习框架在远程生理测量中利用时空增强损失

    本文提出了一种基于自监督的时空学习框架，用于表示从面部视频中收集的生理信号，通过应用特定的数据增强模型以及约束时空损失，可以取得比其他自监督方法更好的结果，并且与最先进的有监督方法具有相当的精度。

    Jul, 2021

  • 脑电预测模型学习的数据增强方法：系统比较

    本研究通过 13 种不同数据增强技术在两个不同的预测任务、数据集和模型上的三种实验比较，证明使用适当的数据增强技术可以使在小数据情况下训练的模型精确度提高高达 45％，并且表明适当的数据增强可以在睡眠阶段分类和运动想象脑 - 计算机接口领域发挥作用。

    Jun, 2022

  • 基于多模态对比学习的心血管疾病诊断：来自心电图（ECG）信号和患者元数据的分析

    本文探讨了对电心图 (ECG) 信号进行对比学习和深度学习的应用来诊断心血管疾病的方法。此应用可以在具有较少 ECG 导联的情况下提高诊断性能，并且证明了对比学习在此任务上的潜力。

    Apr, 2023

  • 自监督学习中的对比神经过程

    本文提出了一种新的自监督学习框架，将对比学习与神经过程相结合，用于时间序列预测，实现数据的增强和避免手动设计数据增广，利用我们的方法训练的 ResNet 和线性分类器在工业、医疗和音频数据集上表现良好，精度提高 10％以上。此外，我们证明了我们的自监督表示在潜空间中更有效，改善了多个聚类指标，同时微调 10％的标签可达到与全监督学习相竞争的结果。

    Oct, 2021

  • 自监督的心电图表征学习用于情感识别

    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。

    Feb, 2020

  • 信息感知数据增强的时间序列对比学习

    本研究提出了一种基于信息论的新的对时间序列数据进行自适应数据增强的对比学习方法 InfoTS，并在各种数据集上进行了实验以展示其强有力的性能表现。

    Mar, 2023