一种用于有限通道 ECG 分类的生成式建模方法
机器学习
2018-07-17 v3 机器学习
摘要
处理时序序列在医疗保健的多种应用中处于核心地位，尤其多通道心电图（ECG）是一种高度普及、依赖稳健序列建模的诊断方式。尽管循环神经网络（RNN）已在时间序列数据的自动诊断中取得显著进展，但当模型使用有限通道集训练时，其表现不佳。现有解决方案的一个关键局限是仅依赖判别模型，此类模型在此类场景中往往泛化能力弱。为克服该局限，我们提出了一种用于有限通道 ECG 分类的生成式建模方法。该方法首先使用 Seq2Seq 模型隐式生成缺失通道信息，随后利用隐表示执行实际的监督任务。这种解耦使得无监督数据的使用成为可能，并为后续判别学习提供了高度稳健的度量空间。我们在 Physionet 数据集上的实验清晰证明了相较标准 RNN，本方法在疾病预测中的有效性。
引用
@article{arxiv.1802.06458,
title = {A Generative Modeling Approach to Limited Channel ECG Classification},
author = {Deepta Rajan and Jayaraman J. Thiagarajan},
journal= {arXiv preprint arXiv:1802.06458},
year = {2018}
}