.png){kind=icon}
返回
A sequential MAE-clustering self-supervised learning method for arrhythmia detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126379.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在监督学习中，获取大量准确标注的心电图（ECG）数据面临重大挑战。相比之下，自监督学习，特别是掩码自编码器（MAE），显示出前景。本研究提出了一种增强的MAE方法——序列MAE-聚类（SMC）自监督学习方法，用于分析各种心律失常。我们的方法包含一个序列MAE（SM）网络，该网络利用序列掩码补丁，以及一个由共生网络和高斯聚类组成的聚类学习组件。开发了SMC损失函数，该函数结合了SM网络的均方误差损失和聚类学习中的ProtoNCE损失。该过程首先使用Gramian角域技术将1D ECG心跳转换为2D图形。随后，这些图形使用SMC自监督学习方法进行处理，以根据ANSI/AAMI标准对心跳类别进行分类，即MIT/BIH心律失常数据库中的N、V、S、Q和F。SMC方法表现出有效性能，在MIT/BIH心律失常数据库的五个心跳类别中，平均准确率（acc）达到97.84%，阳性预测值（ppv）为84.25%，敏感性（sen）为65.51%，特异性（spe）为94.06%。
Keyword:
Self-supervised learning
Clustering
Sequential MAE
Arrhythmia detection
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
Unsupervised classification of 12-lead ECG signals using wavelet tensor decomposition and two-dimensional Gaussian spectral clustering基于小波张量分解和二维高斯谱聚类的12导联心电信号无监督分类
PREAI
分享收藏
A Tiny Matched Filter-Based CNN for Inter-Patient ECG Classification and Arrhythmia Detection at the Edge基于微小匹配滤波器的CNN，用于患者间ECG分类和边缘心律失常检测.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容