基于主题的非对比自监督学习用于 ECG 信号处理
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
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
本文提出了一种针对脑电图( EEG)信号的自我监督学习( SSL)框架综述,讨论了典型的 SSL 框架、现有的 EEG-SSL 框架以及 SSL 方法在不同下游任务中的适应性和潜在发展方向。
Jan, 2024
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。
Apr, 2023
该研究提出了使用机器生成的临床报告指导自我监督的心电图预训练的 ECG-Text 多模态自监督预训练(METS)。METS 在零 - shot 分类中能够实现约 10%的性能改善,而不使用任何带标签的数据,此外,在 MIT-BIH 数据集上,MET 对预训练数据集的 ECG 和其他类别的 ECG 之间的相似性进行了最小化,体现了在泛化性,效果和效率方面使用 ECG-Text 多模态自监督学习的优势。
Mar, 2023
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
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
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
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