半监督主动迁移学习用于胎儿心电心律失常检测

深度学习在心电图异常检测方面表现出了优异的结果，其中大多数方法都使用了监督学习。对于最先进的异常检测系统，尤其是胎儿心电图（FECG），需要数千个手动注释的样本，这是一个令人担忧的问题。目前，还没有针对每个FECG搏动注释的公开可用的FECG数据集。在本文中，我们提供了一种基于迁移学习、校准概率和基于自动编码器的采样的改进主动学习技术，以减少需要注释的样本数量。在这方面，我们使用来自MIT-BIH心律失常数据库的47名患者的25000 s记录来训练深度学习模型，以检测非胎儿受试者的异常。然后，我们使用26名受试者的未标记无创胎儿心电图心律失常数据库（NIFEA DB）对训练的模型进行微调，以基于主动学习来微调训练的模型，从而检测胎儿的二进制形式的异常。在所有数据（成人和胎儿心电图）上训练变分自动编码器，并将聚类应用于降维后从数据中提取的潜在特征。然后，主动学习的采样过程以低置信度从不同聚类中选择样本，以覆盖所有数据分布。此外，基于mc dropout和等渗回归的概率校准用于校准置信度，有助于选择可靠的低置信度样本。进行了各种消融研究，以显示基于自动编码器的采样、校准和迁移学习的影响，结果表明，使用399个训练样本，所提出的方法可以实现92%的准确率。相反，其他方法需要更多的训练样本才能在没有校准或自动编码器和聚类方法的情况下达到相同的精度水平，或者在没有主动学习的情况下进行训练。研究还发现，迁移学习显著影响了更快的收敛，并且所提出的主动学习方法比传统方法更有效。