Guiding Masked Representation Learning to Capture Spatio-Temporal Relationship of Electrocardiogram

要約

心電図 (ECG) は、心臓から発生する電気信号を監視する診断ツールとして広く使用されています。
最近の機械学習研究の取り組みは、ECG 信号を使用したさまざまな病気のスクリーニングへの応用に焦点を当てています。
しかし、ラベル付き ECG データが限られているため、疾患のスクリーニングの応用に適応することは困難です。
自己教師あり学習 (SSL) を通じて一般表現を実現することは、ラベル付きデータの不足を克服するためのよく知られたアプローチです。
ただし、ECG 信号に固有の時空間関係を考慮せずに、ECG データに SSL を単純に適用すると、次善の結果が得られる可能性があります。
この論文では、マスクされた 12 誘導 ECG データを再構成することによって時空間特徴を学習するように設計された ST-MEM (時空間マスク心電図モデリング) を紹介します。
ST-MEM は、不整脈分類タスクのさまざまな実験設定において、他の SSL ベースライン手法よりも優れたパフォーマンスを発揮します。
さらに、ST-MEM がさまざまなリードの組み合わせに適応できることを示します。
定量的および定性的分析を通じて、ECG データ内の時空間関係を示します。
私たちのコードは https://github.com/bakqui/ST-MEM で入手できます。

要約(オリジナル)

Electrocardiograms (ECG) are widely employed as a diagnostic tool for monitoring electrical signals originating from a heart. Recent machine learning research efforts have focused on the application of screening various diseases using ECG signals. However, adapting to the application of screening disease is challenging in that labeled ECG data are limited. Achieving general representation through self-supervised learning (SSL) is a well-known approach to overcome the scarcity of labeled data; however, a naive application of SSL to ECG data, without considering the spatial-temporal relationships inherent in ECG signals, may yield suboptimal results. In this paper, we introduce ST-MEM (Spatio-Temporal Masked Electrocardiogram Modeling), designed to learn spatio-temporal features by reconstructing masked 12-lead ECG data. ST-MEM outperforms other SSL baseline methods in various experimental settings for arrhythmia classification tasks. Moreover, we demonstrate that ST-MEM is adaptable to various lead combinations. Through quantitative and qualitative analysis, we show a spatio-temporal relationship within ECG data. Our code is available at https://github.com/bakqui/ST-MEM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google