基于卷积神经网络的分布外 12 导联心电图分类的领域泛化方法
机器学习
2022-10-06 v2 人工智能
摘要
深度学习系统在过去几年取得了巨大成功，甚至在若干情况下超越了人类智能。近来，它们也在生物医学与医疗健康领域站稳脚跟，展现出诸多潜力，但尚未得到广泛采用。这部分是由于大多数方法在应对源于不同于训练数据分布的数据（即分布外（OOD）数据）进行决策时，无法维持其性能。例如，在生物信号分类中，由于不同数据源之间的分布差异，模型常难以在来自不同医院的数据集上良好泛化。我们的目标是指出不同医院数据库之间存在的领域泛化问题，并提出了一种对 12 导联心电图（ECG）异常进行分类的方法，该方法利用从深度神经网络架构中提取的信息，并捕捉信号的底层结构。为此，我们采用 ResNet-18 作为骨干模型，并从网络的若干中间卷积层提取特征。为评估我们的方法，我们采用来自四个来源的公开 ECG 数据集，并将其作为独立领域处理。为模拟真实场景中的分布偏移，我们在部分领域上训练模型，留出其余领域。随后我们在训练时数据（分布内）与留出数据（分布外）上评估模型，取得了有前景的结果，并在多数情况下超越了原始残差网络的基线。
引用
@article{arxiv.2208.09656,
title = {A Domain Generalization Approach for Out-Of-Distribution 12-lead ECG Classification with Convolutional Neural Networks},
author = {Aristotelis Ballas and Christos Diou},
journal= {arXiv preprint arXiv:2208.09656},
year = {2022}
}
备注
This paper has been accepted at: IEEE BigDataService2022 (http://big-dataservice.net/)