用于持续 ECG 心律失常检测的动态原型排练
机器学习
2026-01-19 v2
摘要
持续学习（CL）方法旨在从一系列任务中学习，同时避免遗忘先前知识的挑战。我们提出了 DREAM-CL，一种用于 ECG 心律失常检测的新型 CL 方法，该方法引入了动态原型排练记忆。DREAM-CL 通过在每个训练会话期间根据学习行为对数据进行聚类，从而选择具有代表性的原型。在每个聚类中，我们应用平滑排序操作，根据训练难度对样本进行排序，压缩极值并移除异常值。随后选择更具挑战性的样本作为排练记忆的原型，以确保跨会话的有效知识保留。我们在时间增量、类别增量和导联增量场景下，使用两个广泛使用的 ECG 心律失常数据集 Chapman 和 PTB-XL 对我们的方法进行了评估。结果表明，DREAM-CL 在 ECG 心律失常检测的 CL 领域优于现有方法。我们进行了详细的消融和敏感性研究，以验证我们方法的不同设计选择。
关键词
引用
@article{arxiv.2501.07555,
title = {Dynamic Prototype Rehearsal for Continual ECG Arrhythmia Detection},
author = {Sana Rahmani and Reetam Chatterjee and Ali Etemad and Javad Hashemi},
journal= {arXiv preprint arXiv:2501.07555},
year = {2026}
}
备注
Accepted to 2025 International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2025)