基于情境差异感知的对比学习：面向小样本医学时间序列诊断
机器学习
2026-01-13 v1
摘要
医学时间序列数据（如 EEG 和 ECG）是诊断神经系统和心血管疾病的关键数据。然而，其精准解读面临 annotation 成本高昂导致数据稀缺，以及传统对比学习难以捕捉复杂时序模式等显著挑战。为此，我们提出了 CoDAC（Contextual Discrepancy-Aware Contrastive learning），一种新型框架，旨在增强诊断准确性和泛化能力，尤其在小样本场景中表现优异。CoDAC 利用外部健康数据，引入基于 Transformer 自编码器构建的情境差异估计器（Contextual Discrepancy Estimator, CDE），通过基于情境的异常评分精准量化异常信号。这些评分动态地指导动态多视图对比框架（Dynamic Multi-views Contrastive Framework, DMCF），适应性地加权不同时序视图，聚焦于诊断相关的差异区域。我们的编码器结合膨胀卷积和多头注意力机制，以实现稳健的特征提取。在阿尔茨海默病 EEG、帕金森病 EEG 和心肌梗死 ECG 数据集上进行的全面实验表明，CoDAC 在所有指标上均表现优异，尤其在标签稀缺的情况下，始终优于最先进的基线方法。消融研究进一步验证了 CDE 和 DMCF 的关键贡献。CoDAC 为医学时间序列诊断提供了一个稳健且可解释的解决方案，有效缓解数据稀缺的挑战。
引用
@article{arxiv.2601.07548,
title = {Contextual Discrepancy-Aware Contrastive Learning for Robust Medical Time Series Diagnosis in Small-Sample Scenarios},
author = {Kaito Tanaka and Aya Nakayama and Masato Ito and Yuji Nishimura and Keisuke Matsuda},
journal= {arXiv preprint arXiv:2601.07548},
year = {2026}
}