面向心电图局部与全局表示的导联无关自监督学习
机器学习
2022-03-21 v2 信号处理
摘要
近年来，自监督学习方法在利用无标签数据预训练方面展现出显著改进，并被证明对心电图信号有益。然而，以往大多数心电图预训练方法仅聚焦于捕捉全局上下文表示。这阻碍了模型学习到丰富的心电图表示，导致下游任务性能不佳。此外，除非模型在相同的导联集合上预训练，否则它们无法用任意一组心电图导联微调模型。在本工作中，我们提出一种 ECG 预训练方法，可同时学习局部与全局上下文表示，以提升下游任务的泛化性与性能。此外，我们提出随机导联掩码作为一种 ECG 特定的增强方法，使我们提出的模型对任意导联集合具有鲁棒性。在两个下游任务（心律失常分类与患者识别）上的实验结果表明，我们所提方法优于其他最先进方法。
引用
@article{arxiv.2203.06889,
title = {Lead-agnostic Self-supervised Learning for Local and Global Representations of Electrocardiogram},
author = {Jungwoo Oh and Hyunseung Chung and Joon-myoung Kwon and Dong-gyun Hong and Edward Choi},
journal= {arXiv preprint arXiv:2203.06889},
year = {2022}
}
备注
Accepted at CHIL 2022 (16 pages, 3 figures, 4 tables)