基于共嵌入心电图图像的用餐行为监测心血管证据回溯
机器学习
2025-02-21 v1 计算工程、金融与科学
摘要
饮食监测已是医学研究中长期未解决的挑战，主要due to缺乏用于连续监测的非侵入式传感器以及可靠的自动行为检测方法。在本文中，我们提出了一个 pilot 研究，使用佩戴式24小时ECG进行感知和定制化的深度学习进行 ad-hoc 和可解释检测。这通过一种共嵌入学习框架实现，其中1)我们构建共嵌入张量作为伪图像，以提高2D图像基深度模型的可行性；2)我们将分析ECG数据的心脏逻辑以周期性注意力调节器形式进行比较，以引导深度推理收集以人类可理解方式的证据；3)我们通过为Class Activation Mapping（CAM）解码和决策树/森林生成设计的一组方法来提高框架的可解释性。通过在最大心电图吃饭行为数据集上进行实验验证，我们证明了所提出框架的有效性，显示出优于常规模型的优越性能，其心血管证据挖掘能力也通过它回溯的证据与前一医学研究的一致性得到了验证。
引用
@article{arxiv.2502.14430,
title = {Cardiac Evidence Backtracking for Eating Behavior Monitoring using Collocative Electrocardiogram Imagining},
author = {Xu-Lu Zhang and Zhen-Qun Yang and Dong-Mei Jiang and Ga Liao and Qing Li and Ramesh Jain and Xiao-Yong Wei},
journal= {arXiv preprint arXiv:2502.14430},
year = {2025}
}