ConCAD：基于对比学习的跨注意力睡眠呼吸暂停检测

随着深度学习方法的近期进展，从原始数据自动学习深度特征正成为一种有效且普遍的方法。然而，基于手工专家知识的特征仍具洞察力。这些专家策划的特征可提升模型泛化能力，并提醒模型注意某些数据特征，例如两种模式间的时间间隔。在具有临床相关数据（通常有限且复杂）的任务中，这尤为有利。为同时保留隐式深度特征与专家策划的显式特征，一种有效的融合策略正变得不可或缺。本工作中，我们聚焦于一个特定临床应用，即睡眠呼吸暂停检测。在此背景下，我们提出一种基于对比学习的跨注意力框架用于睡眠呼吸暂停检测（命名为 ConCAD）。跨注意力机制可通过基于重要性自动分配注意力权重来融合深度与专家特征。对比学习可通过在嵌入空间中使同类实例更靠近、异类实例相远离，从而学习更好的表示。此外，设计了一种新的混合损失，通过将有监督对比损失与交叉熵损失相整合来同时进行对比学习与分类。我们提出的框架可轻松集成至标准深度学习模型中，以利用专家知识与对比学习提升性能。在两个带睡眠呼吸暂停标注的公开 ECG 数据集上的结果表明，ConCAD 显著提升了检测性能并优于当前最优基准方法。