受限数据环境下心音分类的半监督与无监督方法
计算机视觉与模式识别
2020-06-05 v1
摘要
鉴于全球心脏相关疾病发病率上升，自动化心音分类是一项亟需的诊断工具。在本研究中，我们利用 PhysioNet/CinC 2016 Challenge 数据集，通过使用多种有监督、半监督和无监督方法对心音分类进行了全面研究。有监督方法（包括深度学习和机器学习方法）需要大量标注数据来训练模型，而在大多数实际场景中难以获取。考虑到减轻临床实践中标注负担的需求（人工标注既昂贵又耗时），在受限数据设定下半监督甚至无监督方法是可取的。因此，提出了一种基于 GAN 的半监督方法，其允许使用未标注数据样本来增强数据分布的学习。在有限数据样本存在时，它在 AUROC 方面取得了优于有监督基线的性能。此外，通过将给定问题视为异常检测场景，探索了若干无监督方法作为替代途径。特别地，使用一维 CNN 自编码器结合单类 SVM 的无监督特征提取在没有任何数据标注的情况下获得了良好性能。所提出的半监督与无监督方法的潜力可能在未来催生用于创建更高质量数据集的工作流工具。
引用
@article{arxiv.2006.02610,
title = {Semi-supervised and Unsupervised Methods for Heart Sounds Classification in Restricted Data Environments},
author = {Balagopal Unnikrishnan and Pranshu Ranjan Singh and Xulei Yang and Matthew Chin Heng Chua},
journal= {arXiv preprint arXiv:2006.02610},
year = {2020}
}