RF-HeartSSL：基于射频的心脏监测自监督学习方法

《Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies》：RF-HeartSSL: Self-Supervised Learning for RF-Based Cardiac Sensing

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

射频感应技术作为一种极具前景的心脏监测方法，能够实现完全无接触且无需操作的测量。尽管近期的机器学习方法相比传统信号处理技术有了显著提升，但由于射频信号本身难以解读且手动标注十分困难，这类方法对标注过的数据的依赖性仍然存在限制。数据量的不足制约了现有方法的扩展性和通用性，因此亟需能够利用大量未标注射频数据的自监督学习技术。然而，现有的自监督学习框架无法直接应用于基于射频的心脏监测，因为射频信号的高干扰性以及缺乏精细的心脏动态建模可能导致错误的自监督结果。在本文中，我们提出了RF-HeartSSL这一自监督学习框架，该框架利用未标注的射频数据预训练射频特征表示，从而提升后续心脏监测任务的性能。RF-HeartSSL利用射频信号的内在一致性来构建自监督目标：在信号层面，它通过对比学习来建模由信号干扰引起的波形变化，确保特征表示的一致性；在生理层面，它设计了自时间对齐策略，使得在心脏活动过程中能够持续提取一致的时间特征，进而帮助模型捕捉精细的心脏动态信息。通过这两个目标的结合，该模型可以直接从未标注的射频数据中学习到高精度的心脏特征表示。我们使用3,147小时的未标注射频数据对RF-HeartSSL进行了预训练，并在7,338名门诊患者的样本上测试了其效果。实验结果表明，与现有的最先进射频心脏监测技术相比，该框架在心律监测和心律失常诊断等下游任务中取得了显著的性能提升。此外，在不同环境下的跨领域测试以及外部临床验证进一步证明了该框架出色的稳健性和通用性。

AI总结

AI生成的总结（实验性内容）

此总结是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的实用性，以及便于相关领域的读者理解文章内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的核心总结内容。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度及实用性提出意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。