一个多层次的多重对比的学习方法,用于单线心电图检测心房动

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 前庭动 (AF) 是一种普遍存在的心律失常症,需要强大的自动检测.
• 对于AF检测的监督学习受到标记心电图 (ECG) 数据稀缺的阻碍.
• 开发可通用的AF检测模型需要解决有限的标记数据挑战.

研究的目的:

• 提出MLMCL,这是一个半监督的对比学习方法,用于强大的单导线ECG AF检测.
• 克服AF检测模型中标记数据不足所带来的局限性.
• 为了提高模型的概括性和在识别心房的性能.

主要方法:

• 开发了MLMCL,这是一个半监督的对比学习方法,用于AF检测.
• 利用多层次的特征表示来进行对比学习,利用时间,通道和标签的一致性.
• 综合标记和未标记的数据用于预培训和使用领域知识增强,用于硬样本生成.

主要成果:

• 在AF检测的交叉数据集测试中,MLMCL表现出卓越的性能和稳定性.
• 该方法在外部验证测试中表现优于现有的方法.
• 结果表明MLMCL在自动检测心律失常方面的有效性和稳定性.

结论:

• MLMCL提供了一种有效的解决方案,用于用有限的标记心电图数据检测AF.
• 拟议的方法显示了改善自动心律失常诊断的巨大潜力.
• MLMCL的框架可以适应多电图分析和其他心律失常检测任务.