心电图的数据增强
机器学习
2022-04-12 v1
摘要
神经网络模型在从 12 导联心电图（ECG）预测病理与结局方面已展现出令人印象深刻的性能。然而，这些模型通常需要在大规模标注数据集上训练，而许多感兴趣的预测任务并无此类数据可用。在本工作中，我们开展了一项实证研究，考察训练时数据增强方法是否可用于改善此类数据稀缺的 ECG 预测问题的性能。我们研究了数据增强策略在从 ECG 检测心脏异常时如何影响模型性能。受我们发现现有增强策略的有效性高度依赖于任务的启发，我们引入了一种新方法 TaskAug，其定义了在逐任务基础上优化的灵活增强策略。我们概述了一种高效的 learning 算法来实现这一点，其利用了近期在嵌套优化与隐式微分方面的工作。在实验中，考虑三个数据集与八个预测任务，我们发现 TaskAug 与先前工作相当或有所改进，且学到的策略揭示了哪些变换对不同任务最有效。我们从实验评估中提炼出关键见解，生成了一套将 data augmentation 应用于 ECG 预测问题的最佳实践。
引用
@article{arxiv.2204.04360,
title = {Data Augmentation for Electrocardiograms},
author = {Aniruddh Raghu and Divya Shanmugam and Eugene Pomerantsev and John Guttag and Collin M. Stultz},
journal= {arXiv preprint arXiv:2204.04360},
year = {2022}
}
备注
Conference on Health, Inference, and Learning (CHIL) 2022