Dynamic Prototype Rehearsal for Continual Learning in ECG Arrhythmia Detection

要約

継続学習 (CL) 手法は、以前の知識を忘れるという課題を回避しながら、一連のタスクから学習することを目的としています。
我々は、動的プロトタイプリハーサルメモリを導入したECG不整脈検出のための新しいCL手法であるDREAM-CLを紹介します。
DREAM-CL は、各トレーニング セッション中の学習行動に基づいてデータをクラスタリングすることにより、代表的なプロトタイプを選択します。
各クラスター内で、トレーニングの難易度によってサンプルをランク付けし、極値を圧縮し、外れ値を削除するスムーズな並べ替え操作を適用します。
次に、より困難なサンプルがリハーサル記憶のプロトタイプとして選択され、セッション全体にわたって効果的な知識の保持が保証されます。
広く使用されている 2 つの ECG 不整脈データセット、Chapman と PTB-XL を使用して、時間増分、クラス増分、およびリード増分シナリオで手法を評価します。
この結果は、DREAM-CL が ECG 不整脈検出において最先端の CL よりも優れていることを示しています。
詳細なアブレーションと感度の研究は、私たちの方法のさまざまな設計の選択を検証するために実行されます。

要約(オリジナル)

Continual Learning (CL) methods aim to learn from a sequence of tasks while avoiding the challenge of forgetting previous knowledge. We present DREAM-CL, a novel CL method for ECG arrhythmia detection that introduces dynamic prototype rehearsal memory. DREAM-CL selects representative prototypes by clustering data based on learning behavior during each training session. Within each cluster, we apply a smooth sorting operation that ranks samples by training difficulty, compressing extreme values and removing outliers. The more challenging samples are then chosen as prototypes for the rehearsal memory, ensuring effective knowledge retention across sessions. We evaluate our method on time-incremental, class-incremental, and lead-incremental scenarios using two widely used ECG arrhythmia datasets, Chapman and PTB-XL. The results demonstrate that DREAM-CL outperforms the state-of-the-art in CL for ECG arrhythmia detection. Detailed ablation and sensitivity studies are performed to validate the different design choices of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google