Sep, 2023

超越相似性的学习：在自我监督时间序列学习中融入正样本对的不相似性

PDF
TL;DR通过整合正样本之间的不同之处，本研究的自我监督学习方法 (DEBS) 在编码时间序列数据的固有静态特征方面表现出色，强调通过优化过程中的不同之处来实现对动态特征的更精细表达，应用于心电图 (ECG) 信号后能够显著提高房颤 (AFib) 的检测准确率，为推进适用于时间序列数据的自我监督学习方法开辟新的途径。
self-supervised learningtime series analysiscardiovascular diseasesdistilled encoding beyond similaritieselectrocardiogram signals
发现论文，激发创造
  • 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

  • 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

    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

  • 临床时间序列的序列多维自监督学习

    自我监督学习在临床时间序列数据中的应用引起了广泛关注，本文提出了一种新的自我监督学习方法 —— 顺序多维自我监督学习 (Sequential Multi-Dimensional SSL)，在序列的整体和个体高维数据点级别上应用自我监督损失以更好地捕捉两个尺度上的信息。实验证明，使用本方法进行预训练并在后续任务中微调可以提高性能，并在不同自我监督损失函数中取得改进。

    Jul, 2023

  • 基于对比自监督学习的患者相似性方法：以 PPG 信号为例的房颤检测研究

    我们提出一种基于对比学习的深度学习框架，用于使用生理信号进行患者相似性搜索。我们使用对比学习的方法来学习具有相似生理信号数据的患者的相似嵌入。我们还引入了一些邻居选择算法来确定具有最高相似性的患者。为了验证我们的框架对于衡量患者相似性的有效性，我们选择使用智能手表设备获取的光电容积脉搏图（PPG）信号来检测心房颤动（AF）作为我们的案例研究。我们对超过 170 人的数据集对我们的框架进行了大量实验证明，并将我们的框架与该数据集上的其他基线方法进行了比较。

    Jul, 2023

  • 无对照相似度学习方法：仅需正例

    本文提出了一种基于 BYOL 和 Barlow Twins 的非对比 SSL 方法，其不需要负样本并专注于匹配正样本，该方法在时间序列数据的相似性问题及时序表示学习中表现更好（ARI = 0.49）并证明了其实用性。

    Sep, 2022

  • 噪声时间序列的去噪感知对比学习

    时间序列自监督学习的噪声消除方法及其对比学习目标选择适合的降噪方法，以提高表示的准确性。

    Jun, 2024

  • 通过扩散过程和填补 - 插值 - 预测掩码进行时间序列表示的自监督学习

    通过自我监督学习方法构建的时间序列扩散嵌入模型 (Time Series Diffusion Embedding, TSDE) 在时间序列表示学习领域具有出色的性能，在缺失数据插补、插值、预测、异常检测、分类和聚类等任务上表现优异。

    May, 2024

  • 时间序列的自学习特征提取

    时间序列上的自我监督学习能够使得类似于自然语言处理和计算机视觉领域中最近释放的潜力发挥出来。通过使用基于 data2vec 自蒸馏框架的一个概念上简单而强大的非对比度方法，我们的方法展示了在分类和预测等下游任务上与 UCR、UEA 和 ETT 以及 Electricity 数据集上的最先进的自我监督学习方法相比的竞争力。

    Nov, 2023

  • 基于对比自监督学习中的时间特征对齐的人体动作识别

    本研究中，我们利用自监督学习范式 (SSL) 来学习未标记数据的深层次特征表达，提出了一种用于人类活动识别的动态时间规整 (DTW) 算法，强制特征在时间维度上对齐。我们的实验结果显示，该方法对于单一模态和多模态的情况均具有学习稳健特征表达的潜力，并在半监督学习中明显优于监督模型。

    Oct, 2022