基于记忆重放的无监督新类别异常检测方法用于心电图信号
机器学习
2025-09-03 v1 人工智能
摘要
在临床实践中，心电图（ECG）的自动分析广泛应用于识别不规则心律及其他心脏电异常，从而实现及时干预并潜在地改善临床结果。然而，由于某些类型心电图信号样本有限，类别不平衡问题对基于ECG的检测提出了挑战。此外，随着患者数据的增长，存储所有历史数据以训练样本以识别新模式并准确分类现有心电图信号变得日益负担。因此，在提高异常检测性能的同时解决存储限制问题，我们提出了一种基于伪记忆重放的半监督持续学习框架，包含两个组件：无监督识别与记忆重放检测。对于无监督识别，集成了基于生成对抗网络（GAN）的无监督框架以检测新模式。此外，除了直接存储所有历史数据外，提出了一种基于伪记忆重放的学习策略，该策略利用生成器为每个单独任务学习数据分布。当出现新任务时，生成器合成代表以前学习类别的伪数据，使模型能够检测既有的模式以及新呈现的异常。通过四个公开心电图数据集验证了所提出框架的有效性，这些数据集利用监督分类问题进行异常检测。实验结果表明，所开发的方法在识别新型异常的同时，保持良好地检测现有心电信号性能方面表现非常有前景。
引用
@article{arxiv.2509.01512,
title = {Unsupervised Identification and Replay-based Detection (UIRD) for New Category Anomaly Detection in ECG Signal},
author = {Zhangyue Shi and Zekai Wang and Yuxuan Li},
journal= {arXiv preprint arXiv:2509.01512},
year = {2025}
}