采用DivideMix与模型集成的少导联ECG分类器模型
机器学习
2021-09-27 v1
摘要
从少导联心电图(ECG)数据自动诊断多种心脏异常具有挑战性。其原因之一在于难以从标准12导联数据定义标签。由于噪声标签问题，少导联ECG数据通常不具备相同的心脏异常特征。因此，少导联与12导联ECG数据标注标签间存在不一致。为此，我们提出基于深度神经网络(DNN)的ECG分类器模型，其融合了DivideMix与随机权重平均(SWA)。DivideMix通过两个独立模型精炼噪声标签。除DivideMix外，我们采用同样关注噪声标签问题的模型集成技术SWA，以增强DivideMix所生成模型的效果。我们的分类器(ami_kagoshima)在隐藏测试集的挑战评估指标下，对12导联、6导联、4导联、3导联与2导联版本分别取得0.49、0.47、0.48、0.47与0.47的分数（在39支队伍中分别排名第9、10、10、11与10）；在10折交叉验证中取得0.701、0.686、0.693、0.693与0.685，在隐藏验证集上对各导联组合取得0.623、0.593、0.606、0.612与0.601。
引用
@article{arxiv.2109.12063,
title = {Reduced-Lead ECG Classifier Model Trained with DivideMix and Model Ensemble},
author = {Hiroshi Seki and Takashi Nakano and Koshiro Ikeda and Shinji Hirooka and Takaaki Kawasaki and Mitsutomo Yamada and Shumpei Saito and Toshitaka Yamakawa and Shimpei Ogawa},
journal= {arXiv preprint arXiv:2109.12063},
year = {2021}
}
备注
4 pages, in Computing in Cardiology (CinC) 2021, PhysioNet/CinC Challenge 2021 submission