基于自编码器的 ECG 潜在特征提取及下游预测任务
机器学习
2025-08-04 v1
摘要
电生理图（ECG）是心脏评估的经济且广泛可得的工具。尽管其标准化格式和较小的文件大小，但ECG 信号的高复杂度和个体间变异性（通常为 60,000 维向量，12导联，500 Hz）使得在数据量有限的情况下在深度学习模型中使用具有挑战性。本研究通过探索从代表性心拍ECG中生成特征的方法，聚焦于主成分分析（PCA）和自编码器以降低数据复杂度。我们引入了三种新型变分自编码器（VAE）——随机自编码器（SAE）、退火 beta-VAE 和 循环 beta VAE（C beta-VAE），并比较它们在保持信号保真度和增强下游预测任务方面的效果，使用 Light Gradient Boost Machine（LGBM）进行比较。结果显示，A beta-VAE 在信号重构方面表现优异，将平均绝对误差（MAE）降至 15.7+/-3.2 muV，达到信号噪声水平。此外，SAE 编码与传统ECG摘要特征组合使用，可提高左心室收缩功能（LVEF）减少的预测效果，在LGBM分类器上实现了 0.901 的持留测试集ROC曲线下面积（AUROC），该性能几乎与最先进的CNN模型的 0.909 AUROC相当，但所需计算资源显著更少。进一步地，ECG特征提取-LGBM 管道避免了过拟合，保留了在有限数据训练时的预测性能。我们的发现表明，这些VAE编码不仅在简化ECG数据方面有效，而且为在数据规模有限的上下文中应用深度学习提供了实用解决方案。
引用
@article{arxiv.2508.00131,
title = {ECG Latent Feature Extraction with Autoencoders for Downstream Prediction Tasks},
author = {Christopher Harvey and Sumaiya Shomaji and Zijun Yao and Amit Noheria},
journal= {arXiv preprint arXiv:2508.00131},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2410.02937