SiamQuality：一种基于卷积网络的非完美生理信号基础模型
信号处理
2024-04-30 v1 机器学习
摘要
基础模型，特别是那些使用transformer作为骨干的模型，已经获得了显著的流行，尤其是在语言和语言-视觉任务中。然而，大型基础模型通常在高品质数据上训练，这带来了重大挑战，因为现实世界数据质量普遍较差。这一挑战对于开发用于生理数据的基础模型更为突出；这些数据通常嘈杂、不完整或不一致。本研究旨在提供一套用于在生理数据上开发基础模型的工具集。我们利用了一个来自住院重症监护患者的大型光电容积描记(PPG)信号数据集。对于这些数据，我们提出了SimQuality，一种基于卷积神经网络(CNN)作为骨干的新型自监督学习任务，以强制来自相似生理状态的好质量和差质量信号的表征相似。我们在超过3600万个30秒PPG对上预训练了SimQuality，然后使用外部数据集在六个下游任务上进行微调和测试。结果表明，所提出的方法在所有下游任务上均具有优越性，这些任务对于可穿戴设备上的心脏监测极为重要。我们的方法表明，CNN可以成为对训练数据质量具有鲁棒性的基础模型的有效骨干。
引用
@article{arxiv.2404.17667,
title = {SiamQuality: A ConvNet-Based Foundation Model for Imperfect Physiological Signals},
author = {Cheng Ding and Zhicheng Guo and Zhaoliang Chen and Randall J Lee and Cynthia Rudin and Xiao Hu},
journal= {arXiv preprint arXiv:2404.17667},
year = {2024}
}