从报警信号中学习：一种利用不精确心律失常报警标记的八百万样本实现精准光电容积脉搏波房颤检测的鲁棒学习方法
信号处理
2023-11-14 v2
摘要
心房颤动（AF）是一种常见的心律失常，若未及早发现和治疗会带来严重的健康后果。利用配备光电容积脉搏波（PPG）传感器的可穿戴设备与深度神经网络检测 AF，在商业解决方案中借助专有算法已展现出一定成效。然而，要将这种在移动场景下连续检测 AF 的范式推进至面向全人群筛查的应用，仍面临若干挑战，其中之一便是缺乏大规模带标签的训练数据。为应对该挑战，本研究提出利用床旁患者监护仪的 AF 报警来标记同步的 PPG 信号，由此构建了迄今最大的 PPG-AF 数据集（来自 24100 名患者的 850 万条 30 秒记录），并展示了一种构建大规模带标签 PPG 数据集的实用方法。此外，我们认识到由此获得的 AF 标签包含错误，原因在于床旁监护仪内置的不完善算法会产生误报 AF 报警。处理此类具有未知分布特征的标签噪声需要先进算法。为此，我们提出并开源了一种新颖的损失设计——簇成员一致性（CMC）损失，以减轻标签错误。通过将 CMC 与从噪声标签竞赛中选取的当前最优方法进行比较，我们证明了其在多方面（包括处理 PPG 数据中的标签噪声、对低质量信号的鲁棒性以及计算效率）的优越性。
引用
@article{arxiv.2211.03333,
title = {Learning From Alarms: A Robust Learning Approach for Accurate Photoplethysmography-Based Atrial Fibrillation Detection using Eight Million Samples Labeled with Imprecise Arrhythmia Alarms},
author = {Cheng Ding and Zhicheng Guo and Cynthia Rudin and Ran Xiao and Amit Shah and Duc H. Do and Randall J Lee and Gari Clifford and Fadi B Nahab and Xiao Hu},
journal= {arXiv preprint arXiv:2211.03333},
year = {2023}
}