基于受试者的非对比自监督学习用于心电图信号处理
信号处理
2023-05-18 v1 机器学习
摘要
从心电图（ECG）信号中提取信息是心脏病学数字健康技术设计中的关键步骤。近年来，已有若干用于ECG信息自动提取的机器学习（ML）算法被提出。监督学习方法已成功用于识别信号中的特定方面，如节律障碍（心律失常）的检测。另一方面，自监督学习（SSL）方法可用于提取数据中包含的所有特征。该模型在没有任何特定目标的情况下进行优化，并从数据自身中学习。通过将最先进的计算机视觉方法适配到信号处理领域，近期已有一些针对ECG处理的SSL方法被报道。然而，此类SSL方法要么需要数据增强，要么需要负样本对，这将方法限制为仅寻找两个ECG输入之间的相似性，无论是同一信号的两个版本还是同一受试者的两个信号。这导致模型非常善于提取受试者中稳定的特征，如性别或年龄。但它们无法成功捕获ECG记录中可解释动态方面的变化，如不同的心律失常或不同的睡眠阶段。在本工作中，我们引入了首个既不使用数据增强也不使用负样本对来理解ECG信号的SSL方法，且仍取得了可媲美的表征质量。因此，可以设计一种SSL方法，不仅捕获两个输入之间的相似性，还捕获不相似性，从而实现对数据的完整理解。此外，提出了一种基于transformer块的模型，其以几乎相同数量的参数取得了优于基于卷积层（XResNet50）模型的结果。
引用
@article{arxiv.2305.10347,
title = {Subject-based Non-contrastive Self-Supervised Learning for ECG Signal Processing},
author = {Adrian Atienza and Jakob Bardram and Sadasivan Puthusserypady},
journal= {arXiv preprint arXiv:2305.10347},
year = {2023}
}