编辑推荐：
在跨域心电图（ECG）分类任务中，现有无监督域适应（UDA）方法忽视标签分布差异（标签偏移）。研究人员提出失衡域适应网络（IDANet）。实验显示其比其他 UDA 方法表现更优，为未来医疗诊断应用提供新方向。
心血管疾病如今已成为全球人类健康的 “头号杀手”，随着年龄增长，人们的心血管系统功能逐渐衰退，患病风险大大增加。心电图（ECG）作为一种能够无创采集心脏电信号的技术，在心律失常的诊断中占据着重要地位。然而，仅依靠医生手动诊断心电图，不仅耗时费力，还容易出现误诊、漏诊的情况。因此，开发高效准确的心律失常检测系统迫在眉睫。
随着科技的发展，深度学习凭借其强大的数据处理能力和特征自动提取优势，在心电图诊断领域取得了显著成果。不过，在实际应用中，由于个体差异以及数据采集设备等因素的影响，相同疾病的心电图数据在不同领域（比如不同患者群体、不同采集设备）存在特征差异，这使得在源域（训练数据）训练的模型在目标域（测试数据）应用时性能大打折扣。更棘手的是，现有无监督域适应（UDA）方法虽能考虑特征分布差异（特征偏移），却普遍忽视了标签分布差异（标签偏移）的问题，可在真实场景中，二者往往同时存在。
为了解决这些难题，来自未知研究机构的研究人员开展了关于多类心电图信号分类的失衡域适应网络（IDANet）的研究。该研究成果发表在《Biomedical Signal Processing and Control》上。研究表明，IDANet 能够有效解决源域和目标域同时存在特征偏移和标签偏移时的跨域心电图诊断问题，在多个心电图数据集上的表现优于当前最先进的方法。这一研究成果为未来医疗诊断应用提供了新的思路和方法，有望推动心血管疾病诊断技术的进步。
在研究方法上，研究人员主要采用了以下关键技术：首先，利用语义对齐技术来克服特征偏移，减少不同域中相同类别的特征分布差距；其次，通过再边缘化方法和类敏感重加权方法来处理标签偏移问题，校准类别不平衡损失。此外，研究人员基于 4 个心电图数据库（CPSC 数据库、CPSC - Extra 数据库、Georgia 数据库、PTB - XL 数据库）设计了 12 个跨域适应任务，用于验证 IDANet 的有效性，并与其他先进的域适应方法进行对比分析。
研究结果
- IDANet 的设计与原理：IDANet 创新性地整合了语义对齐、再边缘化和类敏感重加权方法。语义对齐旨在对齐两个域中相同类别的特征分布，缩小分布差距；再边缘化方法和类敏感重加权方法相结合，能够有效缓解跨域任务中因标签分布不均衡导致的标签偏移问题，从而构建出跨域心电图诊断模型。
- 实验对比结果：研究人员在 4 个心电图数据集上进行实验，将 IDANet 与其他最先进的无监督域适应方法进行对比。结果显示，IDANet 在准确率上提升高达约 16%，F1分数提升约 17%，展现出了显著的优势。
- 消融研究与不同不平衡水平实验：研究人员还进行了消融研究，探究 IDANet 中各个组件的作用。同时，在不同不平衡水平下进行实验，进一步证明了 IDANet 的有效性。结果表明，IDANet 的各个组件相互协作，共同提升了模型在跨域心电图诊断中的性能。
研究结论与讨论
研究人员提出的 IDANet 有效解决了跨域心电图诊断任务中特征偏移和标签偏移的问题。该方法成功消除了不同类别不平衡分布的干扰，能够从两个域中提取更具判别力的域不变特征。通过在多个心电图数据集上的测试，IDANet 展现出了优于现有方法的性能。这一研究成果不仅为跨域心电图诊断提供了更有效的解决方案，也为其他涉及域适应的医学诊断研究提供了宝贵的参考，有望在未来医疗诊断领域发挥重要作用，推动医疗诊断技术向更加精准、高效的方向发展。
