机构名称：
¥ 1.0
摘要 - 电动心电图（ECG）是用于预测心血管疾病（CVD）的非侵入性工具。当前基于ECG的诊断系统显示出深度学习技术的快速发展，表现出色。但是，标签稀缺问题，多个CVD的共发生以及在看不见的数据集上的性能较差极大地阻碍了基于深度学习的模型的广泛应用。在统一框架中解决它们仍然是一个重大挑战。为此，我们提出了一个多标签半监督模型（ECGMATCH），以同时识别多个CVD，并有限的监督。在ECGMATCH中，开发了一个用于弱且强大的ECG数据增强的登山模块，该模块生成了用于模型培训的各种样本。随后，具有邻居一致建模和知识蒸馏的高参数框架是为伪标记的生成和改进而设计的，从而减轻了标签稀缺性问题。最后，提出了一个标签相关对准模块，以捕获标记样品中不同CVD的共发生信息，并将此信息传播到未标记的样本中。在四个数据集和三个协议上进行了广泛的实验，证明了所提出的模型的有效性和稳定性，尤其是在看不见的数据集上。因此，该模型可以为在有限的监督下在多标签CVD预测上实现稳健性能的诊断系统铺平道路。
多标签心血管疾病的半监督学习预测：多数据学研究
主要关键词
相关文件推荐
