频域mixup增广和logit补偿的自监督多标记不平衡心电图分类.pdfVIP

频域mixup增广和logit补偿的自监督多标记不平衡心电图分类.pdf

  1. 1、本文档共10页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

计算机科学与探索1673-9418/2025/19(04)-1011-10

JournalofFrontiersofComputerScienceandTechnologydoi:10.3778/j.issn.1673-9418.2405065

频域mixup增广和logit补偿的自监督多标记不平衡心电图分类

1,21,2+

操思源,陈松灿

1.南京航空航天大学计算机科学与技术学院,南京211106

2.南京航空航天大学模式分析与机器智能工业和信息化部重点实验室,南京211106

+通信作者E-mail:s.chen@

摘要:自监督对比学习通过数据增广视图间的对比已被证明能习得好的特征表征,继而通过微调完成下游(分类)

任务,因此得到广泛应用。心电图(ECG)作为非侵入、低风险和低成本的心血管疾病常用信号源,其分类有助于早

期预防和精确治疗心率失常等。然而现有针对ECG表征学习的大多数方法仅通过对样本进行时域的扰动增广进行

对比学习,其忽略了频域潜在的信息利用,留下了进一步提升表征质量的空间。为此,针对ECG样本设计了一个频

域mixup的增广策略,通过交换样本间的频域信息生成原始样本的增广实现对比学习,弥补了现有ECG表征学习的

不足。在下游微调阶段,考虑到ECG分类本质上属于多标记的类不平衡问题,提出了结合标签频率对二元交叉熵

(BCE)损失作logit补偿缓和该问题。最后在CPSC2018和Chapman数据集上进行模型评估,实验结果表明提出的方

法作为独立模块插入至多个基线模型在AUC和mAP指标上均有提高,尤其是个别罕见疾病性能指标提升显著,从

而验证了该方法的有效性。

关键词:心电图分类;心率失常;自监督对比学习;多标记;类不平衡

文献标志码:A中图分类号:TP391

FrequencyDomainmixupAugmentationandlogitCompensationforSelf-Supervised

Multi-labelImbalancedElectrocardiogramClassification

CAOSiyuan1,2,CHENSongcan1,2+

1.CollegeofComputerScienceandTechnology,NanjingUniversityofAeronauticsandAstronautics,Nanjing

211106,China

2.KeyLaboratoryofPatternAnalysisandMachineIntelligence,MinistryofIndustryandInformationTechnology,

NanjingUniversityofAeronauticsandAstronautics,Nanjing211106,China

Abstract:Self-supervisedcontrastivelearninghasbeenproveneffectiveinlearninggoodfeaturerepresentationsbycon-

trastingviewsthroughdataaugmentation,followedbyfine-tuningfordownstream(classification)tasks.Thus,itobtains

wideapplications.Electrocardiogram(ECG),asanon-invasive,low-risk,andlow-costsignalsourceforcardiovascular

diseases,itsclassificationaidsinearlypreventionandprecisetreatmentofconditionslikearrhythmia.However,mostexisting

methodsforECGrepresentationlearningonlyperformcontrastivelearnin

您可能关注的文档

文档评论(0)

你就是我的小鱼鱼 + 关注
实名认证
文档贡献者

教师资格证持证人

该用户很懒,什么也没介绍

领域认证该用户于2024年10月18日上传了教师资格证

1亿VIP精品文档

相关文档