用于心电图分类的掩码Transformer
信号处理
2024-04-24 v3 人工智能
机器学习
应用统计
摘要
心电图（ECG）是临床应用中最重要的诊断工具之一。随着先进算法的出现，各种深度学习模型已被用于心电图任务。然而，尽管Transformer在计算机视觉和自然语言处理中取得了广泛成功，其在心电图数据上的潜力尚未被充分发掘。在这项工作中，我们提出了用于心电图分类的掩码Transformer（MTECG），这是一种简单而有效的方法，在心电图分类上显著优于近期最先进的算法。我们的方法将基于图像的掩码自编码器适配到从心电图时间序列进行的自监督表示学习。我们使用轻量级Transformer作为编码器，并使用一层Transformer作为解码器。心电图信号沿时间维度被分割为一系列不重叠的片段，并添加可学习的位置嵌入以保留序列信息。我们构建了阜外数据集，包含220,251份由医学专家标注、具有广泛诊断范围的心电图记录，以探索Transformer的潜力。基于实证研究，我们提出了一种强力的预训练与微调方案。实验表明，与替代方法相比，所提方法在阜外数据集上 macro F1 分数提升了3.4%–27.5%，在PTB-XL数据集上提升了9.9%–32.0%，在一个多中心数据集上提升了9.4%–39.1%。我们希望本研究能指导未来将Transformer应用于更多心电图任务的研究。
引用
@article{arxiv.2309.07136,
title = {Masked Transformer for Electrocardiogram Classification},
author = {Ya Zhou and Xiaolin Diao and Yanni Huo and Yang Liu and Xiaohan Fan and Wei Zhao},
journal= {arXiv preprint arXiv:2309.07136},
year = {2024}
}
备注
more experimental results; more implementation details; different abstracts