In-Distribution and Out-of-Distribution Self-supervised ECG Representation Learning for Arrhythmia Detection

要約

タイトル：不均等なECGデータに対する自己教師あり学習による不整脈検出の改善

要約：
– 本研究は、ECGデータを用いた不整脈検出において、自己教師あり学習（SSL）手法の効果について調査を行った。
– まず、PTB-XL、Chapman、およびRibeiroの3つの人気のあるECGデータセットについて、分布分析を行った。これは、この分野で初めての数量化である。
– 次に、さまざまな拡張やパラメータを使用して、異なるSSL手法（SimCRL、BYOL、およびSwAV）の有効性を評価する包括的な実験を実施した。その結果、SwAVが最も優れたパフォーマンスを示すことがわかった。
– さらに、異なるECGデータに対するSSL手法の効果を評価するために、データセットを横断的に用いた実験を行った。その結果、SSL技術は、様々なOODデータセットに対しても一般化が高く、IDおよびOODスキームの比較においてほぼ同等の結果を示すことがわかった。
– 最後に、SSL手法が異なる病気に対してどのようにパフォーマンスするかについて、3つのデータセットを使用して詳細な調査を行った。

要約(オリジナル)

This paper presents a systematic investigation into the effectiveness of Self-Supervised Learning (SSL) methods for Electrocardiogram (ECG) arrhythmia detection. We begin by conducting a novel distribution analysis on three popular ECG-based arrhythmia datasets: PTB-XL, Chapman, and Ribeiro. To the best of our knowledge, our study is the first to quantify these distributions in this area. We then perform a comprehensive set of experiments using different augmentations and parameters to evaluate the effectiveness of various SSL methods, namely SimCRL, BYOL, and SwAV, for ECG representation learning, where we observe the best performance achieved by SwAV. Furthermore, our analysis shows that SSL methods achieve highly competitive results to those achieved by supervised state-of-the-art methods. To further assess the performance of these methods on both In-Distribution (ID) and Out-of-Distribution (OOD) ECG data, we conduct cross-dataset training and testing experiments. Our comprehensive experiments show almost identical results when comparing ID and OOD schemes, indicating that SSL techniques can learn highly effective representations that generalize well across different OOD datasets. This finding can have major implications for ECG-based arrhythmia detection. Lastly, to further analyze our results, we perform detailed per-disease studies on the performance of the SSL methods on the three datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI