[论文解读] A Simple Self-Supervised ECG Representation Learning Method via Manipulated Temporal-Spatial Reverse Detection

Wenrui Zhang, Shijia Geng+1 more|arXiv (Cornell University)|Feb 25, 2022

ECG Monitoring and Analysis被引用 4

一句话总结

本文提出了一种简单的自监督方法，通过训练模型检测心电图（ECG）信号的时间-空间反转来学习通用的心电图表征。该方法在心房颤动检测任务中优于基线方法，其中时间反转操作比空间反转更有效，能够捕捉到更具临床意义的心电图特征。

ABSTRACT

Learning representations from electrocardiogram (ECG) signals can serve as a fundamental step for different machine learning-based ECG tasks. In order to extract general ECG representations that can be adapted to various downstream tasks, the learning process needs to be based on a general ECG-related task which can be achieved through self-supervised learning (SSL). However, existing SSL approaches either fail to provide satisfactory ECG representations or require too much effort to construct the learning data. In this paper, we propose the T-S reverse detection, a simple yet effective self-supervised approach to learn ECG representations. Inspired by the temporal and spatial characteristics of ECG signals, we flip the original signals horizontally (temporal reverse), vertically (spatial reverse), and both horizontally and vertically (temporal-spatial reverse). Learning is then done by classifying four types of signals including the original one. To verify the effectiveness of the proposed method, we perform a downstream task to detect atrial fibrillation (AF) which is one of the most common ECG tasks. The results show that the ECG representations learned with our method achieve remarkable performance. Furthermore, after exploring the representation feature space and investigating salient ECG locations, we conclude that the temporal reverse is more effective for learning ECG representations than the spatial reverse.

研究动机与目标

• 开发一种简单而有效的自监督方法，用于学习无需人工标注的心电图通用表征。
• 解决现有自监督方法的局限性——特别是基于重建的方法下游性能较差，以及对比学习方法数据构建复杂。
• 探究通过时间与空间反转操作对心电图信号进行扰动，是否可作为表征学习的强预训练任务。
• 在下游临床任务（心房颤动（AF）检测）上评估所学表征的有效性。
• 通过LRR等可解释性方法分析不同心电图成分（如P波、R波峰）的贡献模式。

提出的方法

• 该方法构建四种信号类型：原始信号、时间反转（水平翻转）、空间反转（垂直翻转）以及时间与空间均反转的信号。
• 训练一个对比分类头以区分这四种信号类型，利用心电图信号的固有结构作为监督信号。
• 模型由一个编码器用于提取表征，以及一个分类头用于执行反转检测任务。
• 通过聚类和可视化评估表征空间，以评估类别可分性和特征紧凑性。
• 应用局部相关性传播（LRP）以解释模型注意力机制，识别对预测有贡献的关键心电图区域。
• 数据预处理包括将心电图分割为10秒段（3000个点），以5秒步长滑动，并将每个段归一化至[0,1]区间。

实验结果

研究问题

• RQ1 基于信号反转的简单自监督预训练任务是否能有效学习通用的心电图表征？
• RQ2 时间反转检测与空间反转检测相比，在学习具有临床意义的心电图特征方面表现如何？
• RQ3 通过反转检测学习到的表征是否能提升下游心房颤动检测任务的性能？
• RQ4 当在不同反转检测任务上训练时，模型关注的心电图成分（如P波、R波峰）有哪些？
• RQ5 所学表征是否能捕捉到心房颤动中的结构性模式，如RR间期不规则和P波缺失？

主要发现

• 所提出的T-S反转检测方法在心房颤动检测任务中实现了最先进性能，优于多种基线自监督方法。
• 时间反转检测在下游任务中的表现显著优于空间反转检测，表明其在学习判别性心电图特征方面具有更强能力。
• 表征空间的可视化显示，使用时间反转检测时，相同标签（如正常或AF）的心电图段聚类更紧密。
• LRP热图显示，时间反转检测训练的模型关注多个心电图成分，包括P波和T波，而空间反转检测模型几乎完全聚焦于R波峰。
• 结果表明，时间反转检测更能捕捉心房颤动的动态形态与时间不规则性特征，如P波缺失和RR间期不规则。
• 该方法实现简单，无需数据标注，且在性能上可与更复杂的对比学习框架相媲美。