重审心脏病分类任务中的失衡问题
机器学习
2024-07-31 v1 信号处理
摘要
在心脏病分类领域，主要存在两个障碍：其一，现存的心电图（ECG）数据集在各种模态上表现出持续的不平衡和偏置；其二，这些时序数据由多导联信号构成，导致卷积神经网络（CNN）对功率更高的导联产生过拟合，从而削弱深度学习（DL）过程的性能。此外，在面对不平衡数据集时，高维数据的性能可能容易受到过拟合的影响。当前努力主要集中在通过设计新型模型架构来提升 DL 模型，尽管已有显著挑战，似乎忽视了核心问题，从而阻碍了心脏病分类的进步。为解决这些障碍，我们提出两种直而直接的方法来增强分类任务。为解决高维度问题，我们在信号编码图像上采用通道幅度均衡器（Channel-wise Magnitude Equalizer, CME）进行处理。该方法减少特征数据范围内的冗余，凸显数据集中的变化。同时，为抵消数据不平衡，我们提出反向权重对数损失（Inverted Weight Logarithmic Loss, IWL）来缓解数据之间的不平衡。在应用 IWL 损失时，状态竞争模型（SOTA）的准确率可提升最高 5%。CME 与 IWL 的组合组合也超越了其他基线模型的分类结果，提升幅度达 5% 至 10%。
引用
@article{arxiv.2407.20249,
title = {Revisiting the Disequilibrium Issues in Tackling Heart Disease Classification Tasks},
author = {Thao Hoang and Linh Nguyen and Khoi Do and Duong Nguyen and Viet Dung Nguyen},
journal= {arXiv preprint arXiv:2407.20249},
year = {2024}
}