一种基于 Transformer 的自监督学习方法以增强光电容积脉搏波信号伪影检测
机器学习
2025-05-27 v2 信号处理
摘要
CHU Sainte Justine 儿科重症监护室 (PICU) 的最新研究表明，传统机器学习方法（如半监督标签传播和 K-近邻）在从 PPG 信号中进行伪影检测方面优于基于 Transformer 的模型，尤其是在数据有限的情况下。本研究通过采用自监督学习 (SSL) 从未标记数据中提取潜在特征，随后在有标记数据上进行微调，解决了大量未标记数据利用不足的问题。我们的实验表明，SSL 显著增强了 Transformer 模型学习表示的能力，提高了其在伪影分类任务中的鲁棒性。在各种 SSL 技术中，包括掩码、对比学习和 DINO（无标签自蒸馏），对比学习在小规模 PPG 数据集中表现出最稳定且优越的性能。此外，我们深入探讨了优化对比损失函数，这对于对比 SSL 至关重要。受 InfoNCE 启发，我们引入了一种新的对比损失函数，促进了更平滑的训练和更好的收敛，从而提升了伪影分类的性能。总之，本研究确立了 SSL 在利用未标记数据方面的有效性，特别是在增强 Transformer 模型能力方面。该方法在标注数据通常有限的 PICU 环境中具有广阔的应用前景。
引用
@article{arxiv.2401.01013,
title = {A Novel Transformer-Based Self-Supervised Learning Method to Enhance Photoplethysmogram Signal Artifact Detection},
author = {Thanh-Dung Le and Clara Macabiau and Kévin Albert and Philippe Jouvet and Rita Noumeir},
journal= {arXiv preprint arXiv:2401.01013},
year = {2025}
}
备注
Accepted for publication on the IEEE Access (DOI: 10.1109/ACCESS.2024.3488595)