基于状态空间模型从 ubiquitous ECG 扩展表征学习
机器学习
2023-09-28 v1 信号处理
摘要
可穿戴设备在真实场景中 ubiquitous 感知有望提升人类福祉，从诊断临床疾病、测量压力到构建适应性健康促进框架。但其中跨异构情境的大规模数据对常规监督学习方法构成挑战。生物信号表征学习是随着近期计算建模进展与公开共享数据库丰富而兴起的领域。心电图（ECG）是此背景下主要研究的模态，应用于健康监测、压力与情感估计。然而，多数研究受限于小规模受控数据收集和过度参数化架构选择。我们提出 \textbf{WildECG}，一种用于 ECG 信号表征学习的预训练状态空间模型。我们以自监督方式用 275,000 条真实场景中采集的 10 秒 ECG 记录训练该模型，并在一系列下游任务上评估。所提模型是 ECG 分析的鲁棒骨干，在多数考虑的任务上提供有竞争力的性能，同时在低资源情形下展现效能。代码与预训练权重已公开于 https://github.com/klean2050/tiles_ecg_model。
引用
@article{arxiv.2309.15292,
title = {Scaling Representation Learning from Ubiquitous ECG with State-Space Models},
author = {Kleanthis Avramidis and Dominika Kunc and Bartosz Perz and Kranti Adsul and Tiantian Feng and Przemysław Kazienko and Stanisław Saganowski and Shrikanth Narayanan},
journal= {arXiv preprint arXiv:2309.15292},
year = {2023}
}
备注
Pre-print, currently under review