计算机科学与探索

作者：韩涵, 黄训华, 常慧慧, 樊好义, 陈鹏, 陈姞伽

单位：1. 郑州大学 计算机与人工智能学院，郑州 4500012. 哈尔滨理工大学 计算机科学与技术学院，哈尔滨 1500063. 河南工业大学 信息科学与工程学院，郑州 450001

关键词：心电（ECG）,特征表示,深度学习,自监督学习

深度学习因其强大的数据表征能力已被广泛应用于心电（ECG）信号分析领域，但有监督方法的训练过程需要大量标签，而心电数据标注通常是耗时且成本高昂的。且有监督方法受限于训练集中有限的数据类型，泛化性能有限。因此，如何利用海量无标记心电信号进行数据挖掘和通用特征表示已成为亟待解决的问题。自监督学习（SSL）通过预先设置的代理任务从无标签数据中学习泛化特征来提升模型的特征表示能力，是一种解决心电数据标注缺失问题和提升模型迁移能力的有效途径。然而，现有的自监督学习综述大都专注于图像或时序信号领域，针对心电领域的自监督学习综述相对缺乏。为了填补这一空白，全面回顾了用于心电领域的先进的自监督学习方法。首先，从对比式和预测式两种学习范式出发对心电自监督学习方法进行了系统的总结与分类，阐述了不同类别方法的基本原理，细致分析了各个方法的特点，指出了各个方法的优势以及局限性。然后，归纳汇总了心电自监督学习中常用的数据集以及应用场景，总结了常用于心电领域的数据增强方法，为后续研究提供了系统性的总结参考。最后，深入讨论了当前自监督学习在心电领域中的挑战，并对未来心电自监督学习的发展方向进行了展望，为后续心电领域的自监督学习研究提供了指导。

来源：2024年第7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2024年第7期