面向多变量心脏信号的主体内-主体间自监督学习
机器学习
2021-09-21 v1 人工智能
信号处理
摘要
从未经标注的多变量心脏信号中有效学习信息丰富且可泛化的表示以识别异常心律（心律失常），在真实临床环境中很有价值，但由于其复杂的时间动态性往往具有挑战性。即使是同一患者，心律失常的时间模式也可能显著不同（即主体内差异）。同时，由于心脏结构不同，同一类型的心律失常在不同患者间可表现出不同的时间模式（即主体间差异）。本文中，我们通过提出一个专为多变量心脏信号定制的主体内-主体间自监督学习（ISL）模型来解决这些挑战。我们提出的 ISL 模型将医学知识整合进自监督中，以有效从主体内-主体间差异中学习。在主体内自监督中，ISL 模型首先使用通道注意力 CNN-RNN 编码器从每个主体提取心跳级特征。随后采用平稳性检验模块来捕捉心跳间的时间依赖关系。在主体间自监督中，我们根据心脏信号的临床特征设计了一组数据增强，并在主体间执行对比学习，以为各类患者学习有区分性的表示。我们在三个真实世界数据集上进行了大量实验。在半监督迁移学习场景下，当仅有 1% 标注数据可用时，我们预训练的 ISL 模型相比有监督训练带来了约 10% 的提升，表明模型具有强泛化性与鲁棒性。
引用
@article{arxiv.2109.08908,
title = {Intra-Inter Subject Self-supervised Learning for Multivariate Cardiac Signals},
author = {Xiang Lan and Dianwen Ng and Shenda Hong and Mengling Feng},
journal= {arXiv preprint arXiv:2109.08908},
year = {2021}
}
备注
preliminary version