Toward Robust Automated Cardiovascular Arrhythmia Detection using Self-supervised Learning and 1-Dimensional Vision Transformers
Notice bibliographique
Résumé
Cardiovascular diseases are the primary cause of death globally.With the prevalence of electrocardiogram machines both within and outside the clinical environment, it is now possible to passively monitor a patient's heartbeat for cardiovascular diseases long before they become a cause of concern.However, the most significant problem currently prohibiting the wide-scale deployment of automated electrocardiogram systems is the potential for false alarms, leading to a condition known as "alarm fatigue".Of the major culprits causing such issues, noise in electrocardiogram data can often masquerade as instances of acute cardiovascular diseases.Moreover, incorrect labels provided by domain experts can bias models to repeat the same mistakes learned during training.Recently, as substantial amounts of unlabelled electrocardiogram data have become publicly available, self-supervision has emerged as an increasingly viable part of the pre-training process.This work begins by examining the importance of self-supervised learning for arrhythmia detection, demonstrating significant performance improvements as it reduces overfitting to class imbalance and noise.A new method for self-supervised pre-training on electrocardiogram data is proposed, obtaining SOTA results while simultaneously reducing the pre-training time by one-fifth and increasing the model's capacity by a factor of 14, providing a new foundational model for future research.Finally, this work investigates multiple solutions for addressing the significant noise and class imbalance concerns in the electrocardiogram data and label set.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».