Apr, 2023

基于自监督学习的心电图内外分步表示学习在心律失常检测中的应用

PDF
TL;DR本文探究了自监督学习（SSL）方法的有效性，以用于心电图（ECG）心律失常检测。作者对 PTB-XL， Chapman 和 Ribeiro 三个基于 ECG 的心律失常数据集进行了新颖的分布分析，并使用不同的增强和参数进行了全面的实验，评估了各种 SSL 方法的有效性。结果表明，与监督方法相比，SSL 方法效果竞争力颇高，其中 SwAV 的表现最佳。同时作者使用交叉训练和测试实验进一步评估了以上方法在不同数据集上的表现。研究结果发现，SSL 方法可以学习高效的表示，并且能够在不同的 OOD 数据集上实现良好的泛化效果。最后，作者对 SSL 方法在三个数据集上的表现进行了详细的疾病研究。
self-supervised learningelectrocardiogramarrhythmia detectionssl methodsecg representation learning
发现论文，激发创造
  • 关于无监督表示学习对心音信号的防止跨领域鲁棒性研究

    应用对比自监督学习方法，以及音频增强技术，通过学习泛化的心音图信号表示，检测心音图样本中的异常情况，并在多个数据集上进行了广泛的评估，证实了对比自监督学习方法可以提供具有鲁棒性的分类器，能够在未见过的数据上进行泛化，而无需专家进行耗时耗力的注释过程。

    Dec, 2023

  • 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

  • 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

  • 利用自监督学习揭示临床脑电信号的结构

    使用自监督学习技术对无标签的脑电信号数据进行了处理，获得了比使用有标签数据的监督学习深度神经网络更好的效果，并揭示了不同的生理和临床现象之间的潜在结构。

    Jul, 2020

  • 自监督脉搏波形学习显示高主体间变异性

    本文提出了一种自监督学习方法用于学习一个通用的、具有信息的 PPG 表示，并将其用于活动和睡眠阶段的识别以及更普遍的健康状态预测，结果表明在标记数据稀缺时，使用 SSL 对于简单分类器的训练表现更好，同时也发现 SSL 的结果集中于编码受试者，因此对于标记数据不足的情况有一定局限性。

    Dec, 2022

  • 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

  • 自监督学习对数据集失衡更具鲁棒性

    本文通过广泛的实验和理论分析，系统研究了在数据集不平衡的情况下自监督学习的表现，并通过半合成实验验证了 SSL 学习了与标签无关但可转移的特征，进而提出了一种新的加权正则化技术，显著提高了 SSL 表示的质量。

    Oct, 2021

  • 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

  • 零样本心电图分类的多模态学习与测试时临床知识增强

    通过多模态学习心电图记录和相关报告，提出了一种 Multimodal ECG Representation Learning (MERL) 框架，可通过文本提示进行零样本心电图分类，消除对下游任务训练数据的需求，并使用 LLM 来利用外部专家验证的临床知识数据库，生成更具描述性的提示，提升零样本分类性能。基于 MERL，在六个公共心电图数据集上进行了首次评估，显示出 MERL 相对于 ECG 自监督学习方法具有更优异的性能，平均 AUC 得分为 75.2％，比使用 10％注释训练数据的线性探测式 ECG 自监督学习方法高出 3.2％。

    Mar, 2024

  • 引导屏蔽表示学习捕捉心电图的时空关系

    基于自监督学习的 ST-MEM 技术通过重建屏蔽的 12 导联心电数据，学习了心电图的时空特征，并在不同实验设置下优于其他自监督学习基准方法，用于心律失常分类任务。

    Feb, 2024