通过对比学习,通过稀疏标签在PPG分析中增强心房的检测

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 心脏病学 心脏病学

背景情况:

• 摄影电磁镜 (PPG) 是一种有前途的可穿戴技术,用于检测心房动 (AF).
• 目前用于AF检测的深度学习方法需要广泛的标记数据.
• 自主监督的对比学习为数据稀缺提供了一个潜在的解决方案.

研究的目的:

• 探索自主监督对比学习的有效性,用于使用PPG信号检测AF.
• 在PPG数据的对比学习框架内研究最佳的数据增强策略.

主要方法:

• 利用了1209小时的未标记的PPG数据,用于使用SimCLR和BYOL框架进行自我监督的预训.
• 研究了七个数据增强操作,包括单面和双面转换.
• 在小型标记数据集 (MIMIC III,UMass,DeepBeat) 上微调预训练的编码器重量,用于AF检测.

主要成果:

• 确定了对PPG数据的单面转换与漂移操作的首选组合.
• 与只有1-20%的培训数据的监督学习相比,获得了更高的F1分数.
• 甚至在0.01%的DeepBeat训练集上,在监督学习上也表现出明显的优势.

结论:

• 自主监督的对比预训练有效地利用未标记的PPG数据来检测AF.
• 这种方法显著减少了对大型标记数据集的依赖.
• 为有限的标记数据所带来的AF检测挑战提供了可行的解决方案.