Self-DANA：一种面向ECG基础模型的资源高效通道自适应自监督方法
信号处理
2025-07-22 v1 人工智能
机器学习
摘要
基础模型（Foundation Models, FMs）是一类在广泛且多样化的数据集上进行大规模训练的机器学习模型，可适用于广泛的下游任务，无需大量微调。在过去两年中，针对心电图（ECG）信号分析的应用也日益增长。FMs的一个关键特性是其对广泛下游情形的可迁移性。随着可穿戴和便携式设备的普及，针对从较少通道配置中学习的兴趣日益浓厚。然而，ECG基础模型适配到通道数更少的下游情形仍需进一步探讨。本文提出了Self-DANA，一种新颖且易于集成的解决方案，使自监督架构能够适配较少的输入通道，同时实现资源高效和高性能。我们还引入了随机导联选择（Random Lead Selection）技术，以更稳健和通用的方法进行预训练。我们在五种不同通道配置的实验结果表明，Self-DANA显著提升了资源效率，同时达到了最先进的性能。其峰值CPU内存减少69.3%，峰值GPU内存减少34.4%，平均每个epoch的CPU时间约减少17%，平均每个epoch的GPU时间约减少24%。
引用
@article{arxiv.2507.14151,
title = {Self-DANA: A Resource-Efficient Channel-Adaptive Self-Supervised Approach for ECG Foundation Models},
author = {Giuliana Monachino and Nicolò La Porta and Beatrice Zanchi and Luigi Fiorillo and Alvise Dei Rossi and Georgiy Farina and Francesca Dalia Faraci},
journal= {arXiv preprint arXiv:2507.14151},
year = {2025}
}