对抗式掩码预训练 ECG 数据提升模型在数据稀缺任务中的泛化性
机器学习
2022-11-16 v1 人工智能
信号处理
摘要
医学数据集常面临数据稀缺问题，因为真值标签必须由医学专业人员生成。一种缓解策略是在大型无标签数据集上利用自监督学习（SSL）预训练深度学习模型。数据增强对于提升 SSL 训练模型的泛化性至关重要，但它们通常是手工设计且手动调参的。我们使用对抗模型生成掩码作为 12 导联心电图（ECG）数据的增强，其中掩码学习遮挡 ECG 中具有诊断意义的区域。与随机增强相比，对抗式掩码在迁移到两个不同下游目标——心律失常分类与性别分类——时达到了更高的准确率。与先进的 ECG 增强方法 3KG 相比，对抗式掩码在数据稀缺情形下表现更优，展示了我们模型的泛化性。
引用
@article{arxiv.2211.07889,
title = {Pretraining ECG Data with Adversarial Masking Improves Model Generalizability for Data-Scarce Tasks},
author = {Jessica Y. Bo and Hen-Wei Huang and Alvin Chan and Giovanni Traverso},
journal= {arXiv preprint arXiv:2211.07889},
year = {2022}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2022, November 28th, 2022, New Orleans, United States & Virtual, http://www.ml4h.cc, 9 pages