SiamAF：从 ECG 与 PPG 信号中学习共享信息以实现鲁棒的房颤检测
机器学习
2024-03-12 v2 人工智能
摘要
心房颤动（AF）是最常见的心律失常类型。它与卒中、心力衰竭及其他心血管并发症风险增加相关，但临床上可能无症状。利用可穿戴设备进行被动 AF 监测有助于减少 AF 相关的不良临床结局。在含噪可穿戴数据中检测 AF 是一项重大挑战，催生了多种深度学习技术。以往的深度学习模型从单一模态学习，即心电图（ECG）或光电容积描记（PPG）信号。然而，深度学习模型常难以学习可泛化特征，且依赖更易受噪声破坏的特征，导致在特定场景（尤其是低质量信号下）性能欠佳。鉴于来自可穿戴设备与床旁监护仪的 ECG 和 PPG 信号对日益可得，我们提出一种新方法 SiamAF，利用新颖的孪生网络架构与联合学习损失函数从 ECG 和 PPG 信号中学习共享信息。在推理时，所提模型能够从 PPG 或 ECG 预测 AF，并在三个外部测试集上优于基线方法。得益于我们的新颖架构设计，其学习到了医学相关特征。所提模型在传统学习范式下也取得了可比性能，同时所需训练标签少得多，为减少未来对人工标注的依赖提供了潜在途径。
引用
@article{arxiv.2310.09203,
title = {SiamAF: Learning Shared Information from ECG and PPG Signals for Robust Atrial Fibrillation Detection},
author = {Zhicheng Guo and Cheng Ding and Duc H. Do and Amit Shah and Randall J. Lee and Xiao Hu and Cynthia Rudin},
journal= {arXiv preprint arXiv:2310.09203},
year = {2024}
}