心电图分析中从回归到分类的归纳迁移学习
信号处理
2025-08-19 v1 机器学习
摘要
心血管疾病（CVD）是全球首要死因，根据世界卫生组织（WHO）数据，占全球死亡人数的30%以上。重要的是，其中三分之一的死亡可通过及时准确的诊断加以预防。心电图（ECG）是一种记录心脏电活动的无创方法，对CVD的诊断至关重要。然而，患者ECG数据在研究中使用中的隐私问题催生了对合成数据的兴趣，后者在不损害患者隐私的前提下保留了真实数据的统计特性。本研究探讨了利用合成ECG数据从回归到分类任务训练深度学习模型的可行性，并评估了迁移学习在提升真实ECG数据分类性能方面的有效性。我们采用流行的深度学习模型，通过独立的回归模型预测四个关键心脏参数，即心率（HR）、PR间期、QT间期和QRS波群。随后，我们利用这些回归模型进行迁移学习，执行5类ECG信号分类。我们的实验系统地研究了从回归到分类的迁移学习是否可行，从而实现对多样化开放获取和合成ECG数据集的更好利用。研究结果表明，从回归到分类的迁移学习能够提升分类性能，展示了其在最大化可用数据效用和推动该领域深度学习应用方面的潜力。
引用
@article{arxiv.2508.11656,
title = {Inductive transfer learning from regression to classification in ECG analysis},
author = {Ridma Jayasundara and Ishan Fernando and Adeepa Fernando and Roshan Ragel and Vajira Thambawita and Isuru Nawinne},
journal= {arXiv preprint arXiv:2508.11656},
year = {2025}
}
备注
This manuscript is 15 pages with 4 tables and 5 figures. The manuscript is under review at Nature Scientific Reports