NERULA：一种用于心电图信号分析的双路径自监督学习框架
信号处理
2024-05-31 v1 机器学习
摘要
心电图（ECG）信号对于诊断心脏状况和捕获详细的心脏模式至关重要。随着可穿戴单导联ECG设备变得越来越普遍，高效的分析方法至关重要。我们提出了NERULA（非对比ECG和重建无监督学习算法），一种为单导联ECG信号设计的自监督框架。NERULA的双路径架构结合了ECG重建和非对比学习，以提取详细的心脏特征。我们50%的掩码策略，同时使用掩码和逆掩码信号，增强了模型对现实世界中不完整或损坏数据的鲁棒性。非对比路径对齐掩码和逆掩码信号的表示，而重建路径理解并重建缺失的特征。我们表明，将生成路径和判别路径结合到训练谱中，通过在各项任务中超越最先进的自监督学习基准，取得了更好的结果，在ECG分析中表现出卓越的性能，包括心律失常分类、性别分类、年龄回归和人类活动识别。NERULA的双路径设计为全面的ECG信号解释提供了稳健、高效的解决方案。
引用
@article{arxiv.2405.19348,
title = {NERULA: A Dual-Pathway Self-Supervised Learning Framework for Electrocardiogram Signal Analysis},
author = {Gouthamaan Manimaran and Sadasivan Puthusserypady and Helena Domínguez and Adrian Atienza and Jakob E. Bardram},
journal= {arXiv preprint arXiv:2405.19348},
year = {2024}
}
备注
Paper in review