从 12 导联心电图中学习解耦表示：在定位室性心动过速起源中的应用
机器学习
2018-08-07 v1 机器学习
摘要
心电图（ECG）数据日益可得，促使人们使用数据驱动模型来自动化基于 ECG 数据的各种临床任务。针对每个个体获取充足训练数据的成本和难度限制了受试者特定模型的发展。然而，群体模型的替代方案面临着 ECG 数据内显著受试者间差异带来的挑战。我们通过首次研究从 ECG 数据中学习临床信息变量的表示同时解耦其他变异因素的问题来应对这一挑战。在这项工作中，我们提出一个条件变分自编码器（VAE）来提取对 ECG 数据的受试者特定调整，条件是基于确定性编码器学到的任务特定表示。为了鼓励受试者间变异的表示与任务特定表示相互独立，我们使用最大均值差异来匹配由 VAE 在条件于确定性编码器代码所学到的分布之间的所有矩。任务特定表示的学习由对比正则化形式的弱监督进行正则化。我们将所提方法应用于一个新颖且重要的临床任务，即把室性心动过速（VT）的起源分类到预定义节段中，展示了所提方法相对于标准 VAE 的有效性。
引用
@article{arxiv.1808.01524,
title = {Learning disentangled representation from 12-lead electrograms: application in localizing the origin of Ventricular Tachycardia},
author = {Prashnna K Gyawali and B. Milan Horacek and John L. Sapp and Linwei Wang},
journal= {arXiv preprint arXiv:1808.01524},
year = {2018}
}