基于12导联ECG数据的自监督表示学习
信号处理
2022-01-05 v2 机器学习
机器学习
摘要
临床12导联心电图(ECG)是最常见的生物信号之一。尽管公共ECG数据集的可用性不断提高，标签稀缺仍是该领域的核心挑战。自监督学习代表了一种缓解此问题的有前景的途径。在本工作中，我们首次对基于临床12导联ECG数据的自监督表示学习进行了全面评估。为此，我们将基于实例判别和潜在预测的最先进自监督方法适配到ECG领域。第一步，我们学习对比表示，并基于近期建立的综合性临床ECG分类任务上的线性评估性能来评价其质量。第二步，我们分析自监督预训练对微调ECG分类器的影响，并与纯监督性能进行比较。对于性能最佳的方法——对比预测编码的一种适配版本，我们发现其线性评估性能仅比监督性能低0.5%。对于微调模型，我们发现相比监督性能，下游性能提升约1%，且具备标签效率以及对生理噪声的鲁棒性。本工作明确确立了通过自监督学习从ECG数据中提取判别性表示的可行性，以及在与纯监督训练相比时，此类表示在下游任务上微调的诸多优势。作为ECG领域中首个完全基于公开可用数据集进行的此类全面评估，我们希望为生物信号表示学习这一快速发展领域中可复现的进展迈出第一步。
引用
@article{arxiv.2103.12676,
title = {Self-supervised representation learning from 12-lead ECG data},
author = {Temesgen Mehari and Nils Strodthoff},
journal= {arXiv preprint arXiv:2103.12676},
year = {2022}
}
备注
15 pages, 12 figures, matches published version, code available under https://github.com/hhi-aml/ecg-selfsupervised