机构名称：
¥ 1.0
心电图（ECG）是最常用的非侵入性，方便的医学监测工具之一，可帮助心脏病的临床诊断。最近，深度学习（DL）技术，尤其是自我监督的学习（SSL），已经在ECG的分类中发挥了巨大的潜力。SSL预训练在微调后仅通过少量注释的数据实现了效率性能。但是，当前的SSL方法依赖于注释数据的可用性，并且无法预测微调数据集中不存在的标签。为了应对这一挑战，我们提出了最终的ECG-T Ext s Ext s-Elf Sup-pre-Pre-Training（METS），这是使用自动生成的临床报告的第一项工作，以指导ECG SSL Pre-Training。我们使用可训练的心电图编码器和冷冻语言模型来分别嵌入配对的ECG并自动机器生成的临床报告。SSL旨在最大化配对的ECG和自动生成报告之间的相似性，同时最大程度地减少ECG和其他报告之间的相似性。在下游分类任务中，METS与依赖于注释数据的其他监督和SSL基线相比，在不使用零摄像机分类的情况下使用任何带注释的数据，就可以提高10％的性能。此外，尽管MIT-BIH与预先训练的数据集相比，METS在MIT-BIH数据集上达到了最高的回忆和F1分数。广泛的实验证明了在可推广性，有效性和效率方面使用ECG-TEXT多模式自学学习的优势。关键字：多模式的自我监督学习，零照片学习，语言模型，ECG，信号处理
冷冻语言模型有助于ECG零拍学习
主要关键词
相关文件推荐
