通过优化基于发散的数据融合提高 ECG 心律失常检测准确率
信号处理
2025-04-07 v1 机器学习
应用统计
统计方法学
摘要
AI 计算在医疗保健领域面临着数据有限且异构的挑战。整合来自多个来源和不同设备的数据对于有效的 AI 计算至关重要，但由于其多样性、复杂性和代表性不足，因此我们常需对多个数据集进行合并分析。当前使用的方法是在归一化后进行融合。但使用该方法时，可能会引入冗余信息，降低信噪比并降低分类准确率。为解决此问题，我们提出了一种利用核密度估计(KDE)和 Kullback-Leibler(KL) 发散的特征基融合算法。我们的方法包括初始预处理和对提取特征的连续估计，然后采用梯度下降方法识别最小化特征分布之间 KL 发散的 optimal linear 参数。使用由来自我们内部由不同设备收集的 2000 名健康者和 2000 名疾病患者的 ECG 信号组成的数据集，并通过包含 21,837 项 ECG 记录、来自 18,885 名患者的公开 PTB-XL 数据集进行验证。我们采用 Light Gradient Boosting Machine(LGBM) 模型进行二分类。结果表明，所提出的融合方法显著提高了合并数据集中异常 ECG 案例的特征分类准确率，优于归一化方法。该数据融合策略为处理异构数据集以获得最佳 AI 计算结果提供了新方法。
引用
@article{arxiv.2504.02842,
title = {Enhanced ECG Arrhythmia Detection Accuracy by Optimizing Divergence-Based Data Fusion},
author = {Baozhuo Su and Qingli Dou and Kang Liu and Zhengxian Qu and Jerry Deng and Ting Tan and Yanan Gu},
journal= {arXiv preprint arXiv:2504.02842},
year = {2025}
}
备注
13 pages, 8 figures, 6 tables