Semi-supervised active transfer learning for fetal ECG arrhythmia detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Deep learning has demonstrated excellent results for ECG anomaly detection, wherein most approaches used supervised learning. The requirement of thousands of manually annotated samples is a concern for state-of-the-art anomaly detection systems, especially for fetal ECG (FECG), and currently, there is not a publicly available FECG dataset annotated for each FECG beat. In this paper, we offer a modified active learning technique based on transfer learning, calibration probability, and autoencoder-based sampling to reduce number of samples requires to annotate. In this regard, we used 25,000 s of recording from 47 patients from the MIT-BIH Arrhythmia Database to train a deep learning model to detect anomalies in non-fetus subjects. Then we used the unlabeled Non-Invasive Fetal ECG Arrhythmia Database (NIFEA DB) of 26 subjects to fine-tune the trained model to fine-tune the trained model based on active learning to detect anomalies in binary form for fetal. A variational autoencoder is trained on all data (adult and fetal ECG), and clustering is applied to latent features extracted from data after dimension reduction. Then, the sampling process of active learning selected samples from different clusters with low confidence to cover all data distribution. Moreover, a probability calibration based on mc-dropout and isotonic regression is used to calibrate confidences, helping to select reliable low-confidence samples. Various ablation studies were performed to show the influence of autoencoder-based sampling, calibration, and transfer learning, which showed that the proposed method could achieve 92% accuracy using 399 training samples. In contrast, other methods required more training samples to reach the same level of accuracy without calibration or an autoencoder and clustering approach or training without active learning. The study also found that transfer learning significantly impacted faster convergence and that the proposed active learning approach was more effective than traditional methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle