SS-DPPN：用于可泛化心脏音频表示的自监督双路径基础模型
声音
2025-10-14 v1 人工智能
摘要
心音图的自动分析对于心血管疾病的早期诊断至关重要，然而监督深度学习常常受到专家标注数据稀缺的限制。在本文中，我们提出了自监督双路径原型网络（SS-DPPN），一种用于从无标签数据中进行心脏音频表示和分类的基础模型。该框架引入了一种基于双路径对比学习的架构，使用新颖的混合损失同时处理1D波形和2D频谱图。对于下游任务，使用基于原型网络的度量学习方法，该方法增强了敏感性并产生校准良好且可信的预测。SS-DPPN在四个心脏音频基准上达到了最先进的性能。该框架展示了卓越的数据效率，在完全监督模型下，标注数据减少了三倍。最后，学习到的表示在肺音分类和心率估计中成功泛化。我们的实验和发现验证了SS-DPPN作为生理信号鲁棒、可靠且可扩展的基础模型。
引用
@article{arxiv.2510.10719,
title = {SS-DPPN: A self-supervised dual-path foundation model for the generalizable cardiac audio representation},
author = {Ummy Maria Muna and Md Mehedi Hasan Shawon and Md Jobayer and Sumaiya Akter and Md Rakibul Hasan and Md. Golam Rabiul Alam},
journal= {arXiv preprint arXiv:2510.10719},
year = {2025}
}