基于相似学习的少样本学习用于 ECG 时间序列分类
信号处理
2022-02-02 v1 机器学习
摘要
使用深度学习模型对物联网(IoT)设备生成的时间序列数据进行分类需要大量标注数据。然而,由于 IoT 设备资源受限,往往难以使用大型数据集进行训练。本文提出并演示了一种基于相似学习的少样本学习,利用连体卷积神经网络(SCNN)进行 ECG 心律失常分类。少样本学习通过从极少标注样本中识别新类别,解决了数据稀缺问题。少样本学习首先在一个相关的相对较大的数据库上预训练模型,然后该学习被用于进一步适配每个类别可用的少量样本。我们的实验针对 ECG 时间序列数据分类评估了关于 K(每类样本数)的准确率。5-shot 学习的准确率为 92.25%,并随 K 的进一步增大而略有提升。我们还将我们的方法与其他成熟的相似学习技术(如动态时间规整(DTW)、欧氏距离(ED)以及深度学习模型——长短期记忆全卷积网络(LSTM-FCN))在相同数据量下进行比较,得出结论:在有限数据集规模下我们的方法优于它们。当 K=5 时,ED、DTW、LSTM-FCN 和 SCNN 的准确率分别约为 57%、54%、33% 和 92%。
引用
@article{arxiv.2202.00612,
title = {Similarity Learning based Few Shot Learning for ECG Time Series Classification},
author = {Priyanka Gupta and Sathvik Bhaskarpandit and Manik Gupta},
journal= {arXiv preprint arXiv:2202.00612},
year = {2022}
}
备注
7 pages, 4 figures. Published as part of the DICTA 2021 conference proceedings