计算机科学与探索

作者：操思源, 陈松灿

单位：1. 南京航空航天大学 计算机科学与技术学院，南京 2111062. 南京航空航天大学 模式分析与机器智能工业和信息化部重点实验室，南京 211106

关键词：心电图分类,心率失常,自监督对比学习,多标记,类不平衡

基金：国家自然科学基金（62076124，62376126）。

自监督对比学习通过数据增广视图间的对比已被证明能习得好的特征表征，继而通过微调完成下游（分类）任务，因此得到广泛应用。心电图（ECG）作为非侵入、低风险和低成本的心血管疾病常用信号源，其分类有助于早期预防和精确治疗心率失常等。然而现有针对ECG表征学习的大多数方法仅通过对样本进行时域的扰动增广进行对比学习，其忽略了频域潜在的信息利用，留下了进一步提升表征质量的空间。为此，针对ECG样本设计了一个频域mixup的增广策略，通过交换样本间的频域信息生成原始样本的增广实现对比学习，弥补了现有ECG表征学习的不足。在下游微调阶段，考虑到ECG分类本质上属于多标记的类不平衡问题，提出了结合标签频率对二元交叉熵（BCE）损失作logit补偿缓和该问题。最后在CPSC2018和Chapman数据集上进行模型评估，实验结果表明提出的方法作为独立模块插入至多个基线模型在AUC和mAP指标上均有提高，尤其是个别罕见疾病性能指标提升显著，从而验证了该方法的有效性。

来源：2025年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第4期