引导掩码表示学习以捕捉心电图的时空关系
信号处理
2024-03-20 v3 人工智能
机器学习
摘要
心电图（ECG）被广泛用作监测源自心脏的电信号的诊断工具。最近的机器学习研究工作集中在利用 ECG 信号筛查各种疾病的应用上。然而，适应疾病筛查应用具有挑战性，因为标记的 ECG 数据有限。通过自监督学习（SSL）获得通用表示是克服标记数据稀缺的众所周知的方法；然而，如果不考虑 ECG 信号固有的时空关系而将 SSL 朴素地应用于 ECG 数据，可能会产生次优结果。在本文中，我们介绍了 ST-MEM（时空掩码心电图建模），旨在通过重建掩码的 12 导联 ECG 数据来学习时空特征。在各种心律失常分类任务的实验设置中，ST-MEM 的表现优于其他 SSL 基线方法。此外，我们证明了 ST-MEM 可适应各种导联组合。通过定量和定性分析，我们展示了 ECG 数据内的时空关系。我们的代码可在 https://github.com/bakqui/ST-MEM 获取。
引用
@article{arxiv.2402.09450,
title = {Guiding Masked Representation Learning to Capture Spatio-Temporal Relationship of Electrocardiogram},
author = {Yeongyeon Na and Minje Park and Yunwon Tae and Sunghoon Joo},
journal= {arXiv preprint arXiv:2402.09450},
year = {2024}
}
备注
ICLR 2024. The first three authors contribute equally