对比式ECG表征学习中数据增强方法分析

本文系统性地研究了各种数据增强方法在心电图（ECG）信号对比自监督学习中的有效性，并确定了最佳参数。我们提出的自监督框架基线由两部分组成：对比学习和下游任务。在第一阶段，我们使用若干种增强方法训练一个编码器以提取可泛化的ECG信号表征。然后我们冻结编码器，并使用不同数量的标注数据微调少数线性层以进行下游心律失常检测。接着我们尝试了各种增强技术并探索了一系列参数。我们的实验在PTB-XL上进行，这是一个大型公开可用的12导联ECG数据集。结果表明，在某一特定复杂度范围内应用增强方法对自监督对比学习效果更好。例如，当添加高斯噪声时，sigma在0.1到0.2范围内取得更好结果，而添加的噪声过小或过大（超出指定范围）会导致训练不佳。其他增强方法也观察到类似趋势，表明了为所添加增强选择最优难度水平的重要性，因为过简单的增强不会导致有效训练，而过难的增强也会阻碍模型有效学习泛化表征。我们的工作可影响未来关于生物信号自监督对比学习的研究，并有助于为不同增强选择最优参数。