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

Dec, 2023

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

On the Out-Of-Distribution Robustness of Self-Supervised Representation Learning for Phonocardiogram Signals

Aristotelis Ballas, Vasileios Papapanagiotou, Christos Diou

TL;DR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。

Abstract

Objective: Despite the recent increase in research activity, deep-learning models have not yet been widely accepted in medicine. The shortage of high-quality annotated data often hinders the development of robust and generalizable models, which do not suffer from degraded effectiveness when presented with newly-collected, out-of-distribution (OOD) datasets.

deep-learning models contrastive self-supervised learning abnormalities in phonocardiogram audio-based augmentations robust pcg signal processing

发现论文，激发创造

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

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

自监督学习增强变压器在 PPG 信号伪迹检测中的鲁棒性和效能

该研究在儿童重症监护单元 (CHU Sainte Justine's PICU) 的最新研究中发现，在 PPG 信号的伪迹检测方面，传统的机器学习方法（如半监督标签传播和 K 最近邻算法）在数据有限时效果优于基于 Transformer 模型的方法。本研究通过自我监督学习 (Self-Supervised Learning, SSL) 从未标记数据中提取潜在特征，并结合有标签数据进行微调，证明了 SSL 能够显著增强 Transformer 模型的表示学习能力，在伪迹分类任务中提高了其稳健性。其中，对比学习 (contrastive learning) 是众多 SSL 技术中表现最稳定且性能最优的技术，特别适用于小规模的 PPG 数据集。此外，研究还详细探讨了对比损失函数优化的问题，该函数对于对比自我监督学习至关重要。受 InfoNCE 的启发，我们引入了一种新的对比损失函数，有助于训练更平稳、收敛更好，从而提高伪迹分类的性能。总之，该研究证实了 SSL 在利用未标记数据方面的效果，特别是在增强 Transformer 模型能力方面，并有望在注释数据有限的 PICU 环境中广泛应用。

Jan, 2024

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

有限标注医学图像分割的全局和局部特征的对比学习

本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

Jun, 2020

简化自监督学习复杂度提高计算病理学弱监督分类性能

我们提出了一套适应性方法，可以在资源有限的环境下利用半监督自学习来进行计算病理学研究，从而提高下游分类性能并缩短自学习训练时间。

Mar, 2024

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。