通过患者记忆队列增强基于对比学习的电囊预训练模型
信号处理
2025-06-10 v1 机器学习
图像与视频处理
摘要
在电囊（ECG）自动诊断领域，由于标记数据的相对有限，如何构建基于无标签数据的鲁棒ECG预训练模型是研究者的关注焦点。最近的对比学习基于ECG预训练模型的进展凸显了利用ECG中额外患者水平自监督信号的潜力。它们被称为基于患者的对比学习。其理念是，来自同一患者的多个实际记录可能共享共同点，称为患者一致性，因此将对比学习中的正负对重新定义为同一患者内和患者间样本，可为学习有效表示提供更多共享上下文。然而，这些方法仍无法有效利用患者一致性，因为批次中同一患者内-间样本的数量不足。因此，我们提出了一种基于对比学习的ECG预训练模型，通过引入患者记忆队列（PMQ）来增强，该模型包含大型患者记忆队列，以缓解因同一患者内-间样本不足而导致的模型退化。为了进一步提高预训练模型的性能，我们引入两种额外的数据增强方法，以提供更多正负对的视角。我们在三个公开数据集上进行了大量实验，测试了不同的标签数据比例。实验结果表明，我们的方法在性能上优于以往的对比学习方法，在标签数据有限的场景下表现出更强的鲁棒性。代码已公开于 https://github.com/3hiuwoo/PMQ。
引用
@article{arxiv.2506.06310,
title = {Enhancing Contrastive Learning-based Electrocardiogram Pretrained Model with Patient Memory Queue},
author = {Xiaoyu Sun and Yang Yang and Xunde Dong},
journal= {arXiv preprint arXiv:2506.06310},
year = {2025}
}
备注
8 pages, 4 figures