提升深度学习模型在异质数据集上心跳检测的有效性
机器学习
2021-10-27 v1 机器学习
摘要
深度学习（DL）已极大促进了生物电信号处理，特别是生理标志物的提取。然而，文献中所提出结果的有效性和适用性常受限于用于训练模型的数据所代表的人群。在本研究中，我们探讨了将 DL 模型应用于异质数据集的相关问题。具体而言，通过聚焦于从心电图信号（ECG）进行心跳检测，我们表明在健康受试者数据上训练的模型在应用于心脏病患者及由不同设备采集的信号时性能下降。随后我们评估了使用迁移学习（TL）使模型适应不同数据集的情况。特别地，我们表明分类性能得到了改善，即便在样本量较小的数据集上也是如此。这些结果表明，应付出更大努力以提升应用于生物电信号的 DL 模型的泛化能力，特别是通过获取更具代表性的数据集。
引用
@article{arxiv.2110.13732,
title = {Improving the efficacy of Deep Learning models for Heart Beat detection on heterogeneous datasets},
author = {Andrea Bizzego and Giulio Gabrieli and Michelle Jin-Yee Neoh and Gianluca Esposito},
journal= {arXiv preprint arXiv:2110.13732},
year = {2021}
}